针对齿轮故障领域识别率低和识别时间长的问题，基于多尺度加权排列熵（multiscale weighted permutation entropy，简称MWPE）、蜣螂算法（dung beetle optimizer，简称DBO）与支持向量机（support vector machine，简称SVM）的原理，提出基于MWPE和DBO结合SVM的故障识别方法。首先，由于MWPE的嵌入维数难以确定且对结果影响较大，通过MWPE熵值分析引入变异系数（coefficient of variation，简称CV）来确定嵌入维数；其次，构建故障特征集；最后，利用DBO与SVM结合的分类器DBO-SVM进行故障识别。结果表明：MWPE与多尺度排列熵（multiscale permutation entropy，简称MPE）、多尺度熵（multiscale entropy，简称MSE）、多尺度模糊熵（multiscale fuzzy entropy，简称MFE）等算法相比，对齿轮故障信息的提取效果较好；DBO-SVM分类器在识别准确率和效率上均优于常规优化分类器，所提方法在齿轮特征测试集上达到99.13%的识别准确率，在噪声状态下达到94.10%的识别准确率，证明MWPE的噪声鲁棒性较好。