针对高压断路器机械故障诊断过程中存在的原始特征维度过高,导致过拟合现象,而传统Relief-F算法在筛选特征过程中对诊断模型没有针对性,以及支持向量机(support vector machine,SVM)算法受参数选择限制导致诊断精度不佳的问题,提出一种AM-ReliefF特征选择下集成SVM的诊断算法.该算法对原始特征空间进行有效筛选,生成适应模型的最优特征子集,并将SVM作为基学习器与AdaBoost算法有效集成,提高诊断性能.首先对LW30-252型SF6高压断路器典型6种工况的合闸振动信号提取特征,构成原始特征空间,然后利用AM-ReliefF特征选择算法构造与集成SVM模型匹配的最优特征子集,最后用集成SVM模型进行故障诊断.与原始特征下单一SVM算法对比,所提方法使故障诊断精度由83.0％提升到98.9％,为高压断路器机械故障诊断研究提供了新思路.