旋转机械广泛应用于冶金、矿业、航空、电力和机械等行业，转子系统是旋转机械的核心部件，旋转机械的故障诊断一般通过转子系统的振动进行诊断故障。为及时发现设备故障和预防恶性事故的发生，对转子系统进行故障诊断有重要意义。　　小波聚类算法具有有效地处理大数据集合，对输入的数据顺序不敏感，聚类结果不受噪声影响，且能发现不同精度下任意形状的簇，因此被广泛应用于模式识别、图像处理等领域。小波聚类算法是在一种尺寸网格下进行聚类分析，由于网格单元中数据的分布是不均匀的，因此会降低聚类精度。而通过双网格校正小波聚类算法可以缓解一种尺寸下网格均匀划分与数据对象非均匀分布的相互矛盾。小波聚类算法是在网格上进行小波变换，再进行聚类，而高维空间数据是稀疏的，量化后，网格数远远小于数据数，含有大量的空单元，这些空单元会增大空间复杂度，降低聚类的速度。为了提高聚类精度、速度，本论文主要是在小波聚类算法(WaveCluter)上进行研究和改进，提出了基于散列函数的双网格校正小波聚类算法。　　基于散列函数的双网格校正小波聚类算法首先要构造新的散列函数形成一个新的散列表；其次，将量化后的特征值存储到散列表中，并行地在原始网格和校正网格上进行小波变换，在转换后的特征空间子波段，不同层次上找连通单元（簇）；然后，利用校正网格产生的聚类结果去校正原始网格产生的聚类结果，得到新的校正后的聚类结果；最后，把改进的算法应用到航空发动机转子故障诊断中，通过对时间复杂度和空间复杂度进行分析，验证算法的有效性和可行性。实验结果证明：基于散列函数的双网格校正小波聚类算法与改进前的小波聚类算法相比，算法的速度和聚类精度得到提高，使转子故障诊断的准确率更高。