Garantir a segurança e a eficiência de processos químicos exige sistemas robustos de Detecção e Diagnóstico de Falhas (DDF) capazes de diferenciar condições anormais em ambientes industriais complexos. Nesse contexto, abordagens tradicionais de modelagem frequentemente tornam-se impraticáveis devido à natureza não linear, à quantidade de variáveis e à dinâmica de plantas químicas, o que torna métodos baseados em dados históricos uma alternativa particularmente promissora. Neste trabalho, é apresentado um modelo de aprendizado profundo em duas etapas para detecção e diagnóstico de falhas utilizando o Processo Tennessee Eastman como estudo de caso. Na primeira etapa, uma Rede Neural Convolucional foi treinada em representações do tipo Gramian Angular Summation Fields para diagnóstico de falhas, alcançando métricas de classificação equiparáveis aos reportados no estado da arte. Em vez de investigar múltiplas arquiteturas, foi feita uma investigação de forma sistemática buscando aprimorar uma arquitetura base da literatura. A segunda etapa focou na detecção de falhas, invertendo a ordem convencional de desenvolvimento começando por detecção seguida de diagnóstico. O modelo de detecção foi baseado na arquitetura de Redes Neurais Siamesas, utilizando aprendizado por transferência a partir do modelo de diagnóstico de melhor desempenho como backbone. Essa abordagem possibilitou uma exploração estruturada de modificações no modelo base, incluindo o congelamento progressivo de camadas convolucionais para preservar o conhecimento transferido; a otimização de hiperparâmetros para maior estabilidade no treinamento e a análise das normas dos gradientes para melhorar a dinâmica de aprendizado. Os resultados foram comparados com a literatura existente, demonstrando a eficácia da estratégia investigada para aplicações industriais de DDF e fornecendo uma base para avanços futuros no monitoramento de processos com aprendizado profundo.