Los rodamientos previenen daños causados por fuerzas de fricción entre las partes que soportan la rotación y mantienen los ejes en su posición correcta. Sin embargo, la continuidad del trabajo en condiciones adversas conduce a un fallo inevitable de los rodamientos. Por lo tanto, los métodos para el diagnóstico de fallos en rodamientos (FD) que pueden predecir y categorizar el tipo de fallo, así como el nivel de degradación, son cada vez más necesarios en las fábricas. Gracias a la llegada de las redes neuronales profundas, especialmente las redes neuronales convolucionales (CNN), los métodos de FD inteligentes han logrado un rendimiento significativamente más alto en términos de precisión. Sin embargo, además de la precisión, el problema de la eficiencia aún necesita ser superado en escenarios de diagnóstico complicados para adaptarse a los entornos industriales reales. Aquí, introducimos un método basado en clasificación de múltiples salidas, que utiliza las características correlacionadas extraídas para la clasificación del tipo de fallo compuesto de los rodamientos y la clasificación del tamaño de la grieta para servir a ambos objetivos. Además, la sinergia de un método de procesamiento de señales en el tiempo-frecuencia y la CNN bidimensional propuesta ayudó al método a funcionar bien bajo la condición de velocidades de rotación variables. Los señales de monitoreo de emisión acústica también tuvieron ventajas para el FD incipiente. Los resultados experimentales indicaron que la utilización de características correlacionadas en la clasificación de múltiples salidas mejoró tanto la precisión como la eficiencia del diagnóstico multitarea en comparación con la clasificación multiclas basada en CNN convencional.