针对滚动轴承故障振动信号非平稳性与非线性的特点，提出将集合经验模态分解（ensemble empirical mode decomposition，EEMD）方法用于轴承信号处理.滚动轴承故障诊断的重要环节是特征提取，其直接关系到轴承故障诊断的正确率.因此，将熵知识应用到轴承特征提取步骤中，应用奇异熵与能量熵知识，提出一种峭度值与以上两种熵进行特征融合的特征提取方法，完成滚动轴承故障诊断.该方法首先对滚动轴承的振动信号进行EEMD模态分解为若干个本征模态函数（intrinsic mode function，IMF）之和，对每个含有故障特征的IMF进行奇异熵、能量熵与峭度值求取；其次，将求得的三种数据输入核主元分析（kernel principal component analysis，KPCA）中进行特征融合与特征提取；最后，将提取的特征作为支持向量机（support vector machine，SVM）的输入参数进行故障分类.试验结果表明此方法能够准确有效地识别出滚动轴承的工作状态，实现了滚动轴承故障分类的自动化.