为提高多尺度散布熵对信号演化敏感度，提升变压器故障声纹诊断准确率，将分数阶精细复合多尺度散布熵(Fractional Refined Composite Multiscale Dispersion Entropy，FRCMDE)运用于变压器声纹特征提取。首先，确定FRCMDE参数，提取不同状态下变压器声音信号的FRCMDE熵特征；其次，采用改进蝴蝶算法(Improved Butterfly Optimization Algorithm，IBOA)对最小二乘支持向量机(Least Squares Support Vector Machine，LSSVM)进行参数优化并构建IBOA-LSSVM模型，利用IBOA-LSSVM模型对特征数据进行分类，实现变压器故障声纹诊断；最后，为验证该方法的有效性，将其与其他经典方法比较，研究结果表明：所建FRCMDE-IBOA-LSSVM模型可有效区分8 种状态下的变压器声音信号，诊断准确率达到99.69 %，均高于其他方法。该方法可为变压器不停电监测与故障声纹诊断提供参考。