近年来,粒子群优化(Particle Swarm Optimization,PSO)算法这种模仿生物行为的智能优化算法,得到了较快的发展。因为具有较少的参数,并且概念容易理解,编码方便,所以人们将它广泛应用在工业上。同时,工业生产设备的关键零件轴承的状态,对设备的正常工作起到十分重要的作用,因此对轴承状态进行监测并对其故障进行诊断具有重要的现实意义。许多学者一直在研究将PSO优化算法与其他算法相结合,应用于故障诊断领域。本文从PSO与神经网络、PSO与聚类算法两个传统故障诊断方法的基础上,混合改进的粒子群优化算法,提出两种新型有效的轴承故障诊断方法。首先,在分析MCPSO(Mulit-Species Cooperative PSO)算法原理以及优缺点的基础上,提出基于提高群体多样性的改进算法,并利用对不同的测试函数的仿真,确定发挥算法最优性能的参数。通过与其他几种优化算法的比较,证明新算法优异性能。然后,分析PSO-K均值聚类算法的原理以及优缺点,并在此基础上提出改进的PSO-K均值聚类算法,利用来自UCI的数据对新算法进行性能评价试验,比较其同其他聚类算法在对低维以及高维数据分类中的不同性能。最后,指出常见的轴承故障以及故障诊断方法,并用第一种算法结合神经网络,同BP算法比较以证明其良好的网络训练能力。将两种新算法应用在故障诊断领域,分别对轴承故障相关数据进行仿真试验,并通过跟其他几种方法的对比,表现出新算法在故障诊断率以及诊断效率上的优越性。