针对3 层小波包分解（Wavelet Packet Decomposition，WPD）忽略了1 和2 层分解信号以及核极限学习机（Kernel Extreme Learning Machine，KELM）参数选择困难的问题，提出一种基于小波包散布熵-mRMR 特征选取与HHO-KELM的轴承故障诊断方法。该方法首先对小波包分解中1-3 层的14 个小波包散布熵（Dispersion Entropy，DE）应用最大相关最小冗余算法（max-relevance and min-redundancy，mRMR）进行特征排序，确定最佳向量维度；然后应用哈里斯鹰优化算法（Harris Hawks Optimization，HHO）实现对KELM参数的优化；最后将最佳维度的小波包散布熵输入到经HHO优化的KELM中进行故障识别。实验结果表明，将mRMR特征选取功能和HHO-KELM聚类功能进行有效结合，可实现故障诊断过程中对分解信号的充分利用，与将只用到第3 层分解信号的小波包散布熵输入到KELM的故障分类方法相比，识别准确率提高11.38 %。