针对滚动轴承故障特征集维数高以及冗余的问题，提出一种基于自适应自组织增量学习神经网络界标点的等度规映射(Adaptive self-organizing incremental neural network landmark Isomap，ASL-Isomap)流形学习的滚动轴承故障诊断方法。首先，从时域、频域、时频域以及复杂域提取振动信号的故障特征，构建高维混合域故障特征集；其次，采用ASL-Isomap方法对高维混合域故障特征集进行维数约简，提取出低维、敏感特征子集；最后，应用核极限学习机(Kernel extreme learning machine，KELM)分类器对低维特征进行故障识别。ASL-Isomap方法集成了自适应邻域构建和SOINN界标点选取的优势，能够更有效地挖掘数据的低维本质流形。圆柱滚子轴承故障诊断实验验证了该故障诊断方法的有效性和优越性。
