针对电液伺服系统故障数据冗杂、非线性以及多样性等问题,提出了一种基于Rough Set（RS）和Cuckoo Search（CS）算法优化的Support Vector Machine（SVM）的故障诊断方法。该方法通过AMESim仿真软件对穿戴式康复训练机器人电液伺服系统进行建模,并提取故障特征量;利用粗糙集把故障特征量的冗余信息剔除,再利用布谷鸟算法优化进行向量机参数的选取,将优化处理后的故障数据作为样本输入支持向量机,实现故障诊断和分类。通过将该方法与其他几种优化支持向量机方法相比较,这种方法对于电液伺服系统故障数据冗杂、非线性及较差的故障分类具有很好的诊断功能,且其诊断正确率较高以及诊断时间大大缩短。