为了从原始高维特征空间中选择最具鉴别能力的特征，提高轴承故障诊断的准确性，提出了一种结合Filter和改进的灰太狼优化的故障特征选择算法。首先，针对滚动轴承的原始振动信号，采用基于希尔伯特-黄变换的时频域特征提取策略，建立高维敏感特征集。然后，通过ReliefF算法和拉普拉斯分数组成的混合Filter方法，评估原始特征集的相关性，快速筛选重要特征，从而完成特征集的预选。最后，引入改进的灰太狼优化算法对预选特征集进行两次筛选，去除冗余特征，优化支持向量机模型参数。测试结果表明，该方法显著提高了分类器模型的诊断精度，有效地实现了故障数据集的特征降维，与同类方法相比具有更好的综合性能。