Recientemente, las técnicas de aprendizaje profundo se han utilizado con éxito para la predicción de la vida útil restante (RUL) de rodamientos. Sin embargo, el patrón de degradación de los rodamientos puede ser muy diferente entre sí, lo que lleva a que el modelo entrenado generalmente no pueda funcionar bien para la predicción de RUL de un nuevo rodamiento. Como un método que puede adaptar un modelo entrenado en conjuntos de datos de origen a un conjunto de datos objetivo diferente pero relativo y no etiquetado, el aprendizaje por transferencia muestra el potencial para resolver este problema. Por lo tanto, proponemos un método de predicción de RUL de rodamientos basado en regresión por transferencia (TR) en dos etapas. En primer lugar, el punto de falla incipiente (IFP) se detecta mediante un clasificador de red neuronal convolucional (CNN) para identificar el momento de inicio de la etapa de degradación y etiquetar las muestras de entrenamiento. Luego, se construye una CNN de regresión por transferencia con multiloss para la predicción de RUL, que incluye pérdida de regresión, pérdida de clasificación, discrepancia máxima de media (MMD) y pérdida de regularización, lo que no solo puede extraer información de falla de la pérdida de clasificación de fallas para la predicción de RUL, sino también minimizar la distancia de distribución de probabilidad, ayudando así al método a ser entrenado de manera invariante al dominio a través del algoritmo de regresión por transferencia. Finalmente, se analizan datos reales recopilados de experimentos de rodamientos hasta la falla mediante el método CNN basado en TR. Los resultados y las comparaciones con métodos de vanguardia demuestran la superioridad y el rendimiento confiable del método propuesto para la predicción de RUL de rodamientos.