针对旋转机械高维故障数据集中特征属性冗余导致的故障分类困难问题，提出一种基于局部Fisher主成分判别分析（local Fisher principal component discriminant analysis， 简称LFPCDA）的故障数据集降维算法。首先，利用Laplacian得分算法过滤高维故障特征集中冗余特征，并将主成分计算融入局部Fisher判别分析（local Fisher discriminant analysis， 简称LFDA）中，自适应地选取出最能反映故障本质的主成分来构成投影矩阵，得到低维特征子集；其次，将低维特征子集输入K近邻（K-nearest neighbor，简称KNN）分类器中进行故障模式辨识；最后，使用双跨转子实验台模拟的转子故障数据集对所提算法进行验证，并与其他几种典型降维算法进行对比。结果表明：所提算法可剔除高维故障数据集中冗余信息，且保留特征的主要成分，使得故障类别之间的差异性更加突出，从而达到提高故障模式识别准确率的效果。所提算法可为转子故障智能决策技术提供数据降维处理的理论参考依据。