Con el objetivo de abordar los problemas de extracción de características inexactas, convergencia lenta y baja precisión diagnóstica en el diagnóstico de fallos por desalineación de turbinas eólicas bajo condiciones de trabajo complejas, este artículo propone un método de diagnóstico innovador basado en dos canales de U-Net y ResNet50. El modelo introduce de manera innovadora el mecanismo de atención de múltiples cabezas (MHA) en la conexión de salto de la arquitectura U-Net para formar un U-Net híbrido y optimiza el proceso de fusión de características con pesos aprendibles de manera dinámica, lo que mejora significativamente la capacidad de capturar detalles locales y características clave de fallos. En la rama de ResNet50, se extraen completamente características globales profundas. Para lograr además la co-optimización de la información global y local, se propone un módulo de atención de expertos híbridos compartidos (SHEA). Este módulo logra una integración eficiente de características al fusionar adaptativamente las características locales de múltiples escalas que se obtienen del decodificador U-Net híbrido con las características globales profundas extraídas de la red base ResNet50 a través de un mecanismo de ponderación dinámica y selección de expertos. Las características de múltiples escalas optimizadas por el módulo SHEA se alimentan al clasificador para la determinación del tipo de fallo. Los resultados experimentales muestran que el método demuestra una excelente velocidad de convergencia y una precisión de clasificación del 99.64% bajo condiciones de trabajo complejas, proporcionando una solución efectiva para el diagnóstico inteligente de fallos por desalineación de turbinas eólicas.