Un método basado en inteligencia artificial (IA) para el diagnóstico de fallos es un fuerte candidato para aplicaciones industriales en la gestión de la salud de los rodamientos. Sin embargo, los métodos tradicionales de diagnóstico de fallos no logran mejorar la precisión de detección porque solo extraen una única característica y tienen limitaciones en la representación de características. Además, marcos avanzados de detección de objetos, como las redes neuronales convolucionales basadas en regiones, aún no se han aplicado en el diagnóstico de fallos. Con este fin, se propone en este artículo un modelo de diagnóstico de fallos utilizando una Red Neuronal Convolucional Basada en Regiones en el Tiempo-Frecuencia (TF-RCNN). Este método se adoptó principalmente para extraer múltiples regiones que pueden caracterizar las características de fallo a partir de la Representación Tiempo-Frecuencia (TFR). Específicamente, se introdujo un módulo de atención para que el modelo pudiera centrarse en características representativas. La estrategia de clasificación existente también se mejoró para realizar múltiples tipos de clasificación de fallos. Finalmente, se desarrolló un marco de diagnóstico de fallos de rodamientos de extremo a extremo basado en el TF-RCNN con las mejoras mencionadas. La efectividad de este método se demostró experimentalmente en fallos artificiales y reales. La superioridad del método propuesto se demuestra mediante una comparación con el método típico de detección de objetos y un método avanzado de diagnóstico de fallos.