当滚动轴承存在微弱故障且当前工况相对复杂时，传统的特征参数很难达到提取故障特征的目的。因此，本文拟采用基于精细复合多尺度离散熵（RCMD E）和概率神经网络（PNN）的方法来诊断轴承故障。首先，在RCMDE对轴承不同状态的振动信号进行分析，提取出每个状态下具有20个尺度的RCMDE值，构建故障特征向量并可视化。其次，将特征向量集输入PNN分类器，对轴承的不同状态模式进行识别和分类。最后，对各种方法的结果进行验证和比较，验证操作依赖于凯斯西储大学的滚动轴承数据集，结果比较的对象是基于MDE PNN的故障诊断方法。实验结果表明，基于RCMD e-PNN的方法能够有效地识别和诊断滚动轴承故障，分类精度优于MDE-PNN方法，准确率为97.65%。