作为广泛应用的机械零部件,滚动轴承恶劣的工作环境易导致其出现各种故障,引发生产事故,故对其进行故障诊断意义重大。滚动轴承故障信号特征微弱,常规的线性处理方法无法有效地提取特征信息。如经验模式分解（EMD）、小波变换等,都存在终端效应和模式混叠等缺陷。近些年,许多非线性参数不断被提出,如样本熵（SE）、排列熵（PE）和散布熵（DE）等。多尺度熵（MSE）则能表征时间序列在不同尺度下的自似性和繁杂度。通过MSE提取轴承信号特征,然后利用粒子群优化的支持向量机（PSO-SVM）识别故障特征。结果表明,MSE的特征提取效果比多尺度近似熵（MAE）和小波包分解好,PSO-SVM的模式识别能力优于SVM和网格寻优法的SVM。然而,SE在处理短时间序列时受突变信号影响大,PE则能检测信号的动态突变,多尺度排列熵（MPE）抗噪能力强和计算能力高。复合多尺度加权排列熵（CMWPE）弥补了MPE的缺陷,能有效区分信号的不同模式。实验表明,CMWPE特征提取能力比MPE、MSE强,其结合PSO-SVM的故障识别准确率较后者分别提高了1.08%、0.5%。但是,PE未能考虑信号幅值差的影响且对噪声敏感。波动散布熵（FDE）克服了上述几种熵算法的固有缺陷,且考虑了信号的波动性,其稳定性和计算效率也更高。与MSE和MPE相比,多尺度波动散布熵（MFDE）计算效率更高、特征提取性能更优。但粗粒化过程中的不足会导致计算不稳定、熵值精度低。因此,本文提出了改进的多尺度波动散布熵—广义精细复合多尺度波动散布熵（GRCMFDE）。结果表明,GRCMFDE特征提取效果优于MFDE、MWPE和MSE,其结合PSO-SVM的故障识别准确率较后者分别提高了0.54%、0.6%、0.73%。本论文对现有熵算法的缺陷进行改进,用改进的熵算法提取滚动轴承信号特征和利用人工智能技术进行故障识别。实验分析表明,改进的熵算法结合粒子群优化的支持向量机故障诊断模型对轴承不同故障类型和故障程度识别准确率高,为提高轴承故障的检测精度提供了一种优良的方法,具有一定的工程应用价值。