针对转子故障数据集因“维数灾难”、标签样本有限导致故障辨识精度低的问题，提出了一种基于半监督超边界Fisher分析（semi-supervised hyper-marginal Fisher analysis， 简称SHMFA）的故障数据集降维算法。首先，利用标签样本的类内、类间近邻点分别构建类内、类间超图，通过无标签样本的近邻点和远离点构建无监督本征超图和惩罚超图；其次，以压缩类内信息、分离类间信息为准则构造目标函数，实现故障数据集维数约简，SHMFA通过构造超图充分刻画故障数据集的高维空间结构特性；最后，以转子系统振动信号构成的高维故障数据集为对象，采用K近邻分类器（K-nearest neighbor， 简称KNN）对该算法的性能进行验证。结果表明，本算法优于传统的数据降维算法，能够优化旋转机械运行状态表征的数据结构模型，并提高故障分类的精度，为数据运算提供理论依据。