为了提高故障识别精度，提出一种改进多尺度注意熵（Improved Multi-scale Attention Entropy，IMAE）和改进自组织分裂分层Voronoi 细分（Improved Self-organizing Divisive Hierarchical Voronoi Tessellation，IDHT）分类器的轴承故障诊断新方法。首先，针对注意熵（Attention Entropy，AE）的缺陷，提出改进多尺度注意熵（IMAE）；随后，采用IMAE对原始振动信号进行特征提取；其次，采用奇异值分解(Singular Value Decomposition，SVD)对特征向量进行降维操作；最后，针对自组织分裂分层Voronoi 细分（Self-organizing Divisive Hierarchical Voronoi Tessellation，DHT）分类器的缺陷，基于Pearson 相关系数对加权马氏距离（Weighted Mahalanobis Distance，WMD）进行改进，形成改进加权马氏距离（Improved Weighted Mahalanobis Distance，IWMD）；并利用IWMD的优势对DHT分类器进行改进，形成IDHT 分类器。为了测试所提新方法的准确性与有效性，采用试验台数据进行分析；通过分析发现其平均故障识别准确率高达98.533 %。同时，为了验证所提方法的优越性，将其与8 种故障模型进行对比，结果表明：采用所提新方法进行故障识别使正确率提高0.39 %～8.06 %。