针对大多数情况下异步电机故障在不同传感器和转频等工况参数下的近似熵集合存在差异,难以有效提取表征不同故障状态的信号特征,进行故障状态识别的问题,提出一种基于小波近似熵与加权最小均方误差LMS的特征融合异步电机故障诊断方法。首先,通过小波包分解电机正常、转子不平衡、转子弯曲以及基座松动等故障信号,得到不同频带的信号特性,然后选取最优尺度提取不同频带上近似熵构成集合。然后,结合同种故障不同运行状态下的近似熵集合,通过采用自适应LMS算法进行加权融合提取电机不同故障状态的最优特征,将其作为SVM的输入进行故障分类,从而实现不同工况下故障状态的精确识别。最后,针对异步电机正常运行、转子不平衡、转子弯曲、基座松动四种运行状态,分别采用所提出的SVM分类法和BP神经网络法,结果表明SVM分类法比BP神经网络法的分类识别率更高,诊断效果更好。