针对旋转机械高维故障数据集存在着冗余特征导致分类困难和故障识别率偏低的问题，提出一种将快速相关过滤（fast correlation-based filter， 简称FCBF）算法和改进粒子群优化（improved particle swarm optimization， 简称IPSO）算法相结合的故障敏感特征选择方法。首先，利用FCBF算法和数据集值域状况初步筛选特征，剔除与类别信息不相关的特征和冗余特征；其次，使用IPSO算法对筛选后的特征子集进行二次筛选，进一步剔除其中的冗余特征，得到有利于分类运算的低维敏感特征子集；最后，通过转子故障模拟数据集进行了实验验证。结果表明：该方法可有效剔除故障数据集中的不相关特征和冗余特征，利用IPSO算法对支持向量机（support vector machine， 简称SVM）参数C和σ进行的优化，达到了显著提高分类器辨识精度和运行效率的效果。本研究方法为降低旋转机械故障数据资源的规模提供了一种敏感特征筛选策略，并丰富了特征选择的基础理论。