为了进一步提高电动汽车轮毂电机轴承状态识别技术的高效可靠性，提出一种基于双核支持向量数据描述（double kernel based support vector data description， 简称DK-SVDD）的轮毂电机轴承状态识别方法。首先，针对轮毂电机轴承样本数据结构混杂致使SVDD识别率较低问题，通过一定的比例权重将径向基（radial basis function， 简称RBF）核函数和高斯差分（difference of Gaussians，简称DOG）核函数结合构建DK核函数；其次，根据最优二叉树原理逐层设计状态识别分类器，并搭建DK-SVDD轮毂电机轴承状态识别模型，同时使用粒子群优化算法对模型参数寻优以提高DK-SVDD的学习能力和泛化能力；最后，基于轮毂电机轴承台架试验数据，验证所提方法的有效性和优越性。结果表明：针对轮毂电机轴承目标状态识别，DK-SVDD方法平均训练时间为0.065 5 s，平均状态识别率为97.06%；与采用RBF或DOG核函数相比，DK-SVDD方法在多种工况下可以有效提高状态识别率并降低训练时间。