Este artículo construye una red de fusión de características espaciotemporales (STNet) para mejorar la influencia de las características espaciotemporales de las señales en el rendimiento diagnóstico durante el diagnóstico de fallos en motores. La STNet consiste en la capacidad de procesamiento de características espaciales de las redes neuronales convolucionales (CNN) y la capacidad de procesamiento de características temporales de las redes neuronales recurrentes (RNN). Se utiliza para el diagnóstico de fallos en señales de vibración de motores. La red utiliza una ramificación de doble flujo para extraer las características de fallo de las señales de vibración de motores mediante una red neuronal convolucional y una unidad recurrente con compuerta (GRU) simultáneamente. Las características también se mejoran utilizando el mecanismo de atención. Luego, las características temporales y espaciales se fusionan y se ingresan en la función softmax para la discriminación de fallos. Después de eso, se completa el diagnóstico de fallos de las señales de vibración de motores. Además, se realizan varios conjuntos de evaluaciones experimentales. Los resultados experimentales muestran que el método de procesamiento de señales de vibración combinado con características espaciotemporales puede mejorar efectivamente la precisión de reconocimiento de fallos en motores.