El método basado en redes neuronales convolucionales (CNN) se ha desarrollado y aplicado ampliamente a la predicción de la vida residual, logrando excelentes resultados. Sin embargo, los modelos de CNN solo pueden aprender información de características relativa al tamaño, y es difícil extraer características complejas de series temporales a partir de datos de series temporales largas. Además, los modelos existentes aún presentan algunos problemas, como la captura de la correlación de cada serie temporal y la generación de una gran cantidad de información redundante. Para aliviar los problemas mencionados, este estudio propone un método de predicción de vida residual de rodamientos basado en un modelo de red convolucional temporal mejorada a múltiples escalas (MITCN). Se utiliza para resolver problemas como la baja precisión en la predicción de la vida de los rodamientos y la dificultad del modelo de red convolucional temporal (TCN) para capturar la correlación de cada serie temporal. El modelo adopta el marco de una red de convolución temporal y tiene una buena capacidad para extraer información de series temporales. Al introducir una estructura residual de convolución causal expandida a múltiples escalas, los módulos de red convolucional temporal mejorada (ITCN) con diferentes factores de expansión capturan información en diferentes escalas de tiempo y combinan funciones de umbral suave y mecanismos de atención de canal para generar umbrales de manera adaptativa y eliminar información redundante. Finalmente, el mecanismo de ajuste de frontera de carbono (CBAM) es un mecanismo de atención utilizado para realzar características útiles y suprimir características inútiles, con el fin de lograr la fusión efectiva de características a múltiples escalas. El conjunto de datos del desafío IEEE PHM 2012 se utiliza para verificar el método propuesto, que puede resolver de manera efectiva el problema de la baja precisión en la predicción de la vida restante de los rodamientos.