【摘要】对滚动轴承做健康监测和故障诊断可以保证机械设备持续有效地进行工作。利用深度学习对工业大数据背景下的海量复杂数据进行建模时，需要耗费大量的计算资源，出现训练停滞或难以训练等问题。尝试采用宽度学习系统代替深度学习进行轴承故障诊断，同时针对宽度学习系统分类效果受限于自身超参数的选择这一问题，利用元启发算法中的麻雀搜索算法对宽度学习系统的超参数进行优化，提高宽度学习系统的准确率。将优化后的模型应用于西储大学轴承数据集，并与多种神经网络模型进行对比以验证所提方法的故障诊断能力。