针对现实复杂工况下的振动以及噪声问题,提出了基于多域特征提取、Fisher得分和极限学习机(Extreme Learn?ing Machine,ELM)的滚动轴承诊断方法。首先,通过多域特征提取方法构造多域特征集,其次利用Fisher得分算法按照多域特征集特征值的重要性进行排序,选择具有代表性的敏感故障特征,最后,将重新构造的多域特征集输入极限学习机中实现智能诊断。利用美国西储大学轴承试验数据进行分析,为贴近现实工况,在原始振动信号上加50dB的白噪声,结果表明,提出的方法能够有效识别滚动轴承的故障大小和类别,并具有良好的抗噪性。