针对单一尺度注意力熵无法获取多尺度信息，进而难以适配复杂、多类别故障机械信号的检测需求问题，基于多尺度注意力熵（multiscale attention entropy，简称MAE）在特征提取方面的优势，将其引入到滚动轴承故障诊断中，提出了一种基于MAE、核主成分分析（kernel principal component analysis， 简称KPCA）与萤火虫优化算法支持向量机（firefly algorithm support vector machine， 简称FA-SVM）的滚动轴承故障诊断方法。首先，计算滚动轴承振动信号的MAE，并以此构建故障特征数据集；其次，利用KPCA对高维故障特征集进行降维，获得低维敏感故障特征集；然后，利用低维敏感特征集对基于FA-SVM的多故障分类器进行训练和测试，实现滚动轴承故障的诊断与识别；最后，通过试验数据分析，将所提故障诊断方法与基于多尺度散布熵（multiscale dispersion entropy， 简称MDE）、多尺度样本熵（multiscale sample entropy， 简称MSE）、多尺度排列熵（multiscale permutation entropy， 简称MPE）和多尺度模糊熵（multiscale fuzzy entropy， 简称MFE）等特征提取的故障诊断方法进行了对比。结果表明，所提方法不仅能够精确识别滚动轴承局部故障位置和故障程度，而且相比于其他方法其故障识别率最高。