Para garantizar la implementación de la estrategia de auto-reparación de propulsión eléctrica marina después de fallos, es necesario diagnosticar y clasificar con precisión los fallos. Considerando las características de la red residual (ResNet) y la memoria a largo y corto plazo bidireccional (BiLSTM), se utiliza el algoritmo de aprendizaje profundo Res-BiLSTM para establecer un modelo de diagnóstico de fallos que distinga los tipos de fallos en el accionamiento eléctrico. Primero, se utiliza la poderosa capacidad de extracción de características de fallos de la red residual para profundizar en las características de los fallos en las señales. Luego, se realiza un aprendizaje de series temporales a través de una red de memoria a largo y corto plazo bidireccional, y se excavan aún más las características transitorias de las series temporales en las características de los fallos para lograr la clasificación precisa de los fallos del inversor de accionamiento. La efectividad del método se verifica utilizando datos de fallos sin ruido, y la robustez del método se verifica utilizando datos con diferentes grados de ruido. Los resultados muestran que, en comparación con los algoritmos de aprendizaje profundo convencionales, Res-BiLSTM tiene el proceso de entrenamiento más rápido y estable, se mejora el rendimiento diagnóstico y la precisión se puede mantener por encima del 95% bajo 25-19 dB. Tiene cierta robustez y puede aplicarse al diagnóstico de fallos del inversor de accionamiento de sistemas de propulsión eléctrica marina, y sus resultados pueden proporcionar soporte de datos para la implementación de estrategias de control de auto-reparación.