为实现异步电机在运行状态下快速准确诊断故障类型，构建了优化的最小二乘支持向量机（least squares support vector machine，简称LSSVM）智能故障诊断模型。首先，LSSVM将不等式约束改为等式约束，收敛速度更快；其次，改进粒子群优化算法（particle swarm optimization algorithm，简称PSO）在迭代过程设置1个粒子变异过程，随机放置的粒子可带领种群摆脱局部最优的束缚，找到全局最优点；最后，采用智能诊断模型对西储大学轴承数据及异步电机等7类故障诊断实验数据进行诊断。结果表明：LSSVM的诊断时间仅不到传统支持向量机（support vector machine，简称SVM）的30%，对轴承和异步电机的诊断精度分别为100%和94.3%，相较于传统SVM，LSSVM具有更快的收敛速度和更高的诊断精度。