多尺度熵是一种有效的衡量机械振动信号复杂度的非线性动力学方法。针对其存在的不足，引入了精细复合多尺度熵（Refined composite multiscale entropy, RCMSE），在此基础上，结合自编码降维和遗传优化支持向量机，提出了一种滚动轴承故障智能诊断新方法。首先，利用RCMSE提取滚动轴承振动信号多尺度复杂度特征，构建初始特征向量矩阵；其次，采用自编码对初始高维特征数据降维，得到低维流形特征；然后，将低维特征向量输入到基于遗传优化支持向量机的多故障模式分类器中进行训练、识别与诊断。最后，将所提方法应用于实验数据分析，并与多尺度熵方法进行对比，结果表明，论文方法不仅能够有效地诊断滚动轴承的工作状态和故障类型，而且识别率高于所对比方法。

针对滚动轴承振动信号的非平稳、非线性特性，将一种新的衡量时间序列复杂性和不规则程度指标——散布熵（dispersion entropy，DE）引入到滚动轴承非线性故障特征提取，提出了一种基于经验模态分解与DE相结合的自适应多尺度散布熵滚动轴承故障诊断方法。首先，采用经验模态分解对振动信号进行分解，得到若干不同尺度的本征模态函数；其次，计算每个本征模态函数的DE值；再次，将得到的DE值作为特征向量输入到基于支持向量机建立的多故障分类器进行训练和识别。最后，将提出的滚动轴承故障诊断方法应用于试验数据分析，结果表明，论文提出的方法能准确地识别滚动轴承故障类型。