针对由于特征维数过高导致故障数据集分类困难及故障模式辨识精度偏低的问题，提出一种基于多图协同决策（multi graph collaborative decision-making，简称MGCD）的转子故障数据集降维算法。首先，在边缘Fisher分析（marginal Fisher analysis， 简称MFA）算法框架基础上，通过建立近邻图和远邻图解决因单一图结构导致的故障类别局部不可分问题；其次，采用最大化散度加权差分方式去削弱小样本问题造成的影响；最后，利用两个不同结构型式的转子系统故障模拟数据集对算法性能进行了验证。结果表明，使用本算法对故障数据集进行降维得到的敏感故障数据集使故障类别之间的差异性更加突出，能够提高故障模式识别准确率，为提高旋转机械智能故障诊断技术水平提供一定的研究参考依据。