El rendimiento de una caja de cambios es sensible a fallas, especialmente en el campo de alta velocidad a largo plazo y carga pesada. Sin embargo, el diagnóstico de múltiples fallas en cajas de cambios es un problema desafiante debido a la señal medida compleja y no estacionaria. Para obtener información de fallas de manera más completa y mejorar la precisión del diagnóstico de fallas de la caja de cambios, este artículo propone un método de extracción de características, entropía de dispersión de fluctuación multisegmentada refinada jerárquicamente (HRCMFDE) para extraer las características de falla de rodamientos y las señales de vibración de engranajes en diferentes capas y escalas. Sobre esta base, se propone un nuevo esquema de diagnóstico de fallas para la caja de cambios basado en HRCMFDE, ReliefF y máquina de aprendizaje extremo regularizada por optimizador de lobo gris. En primer lugar, se emplea HRCMFDE para extraer las características originales, la información de tiempo multifrecuencia puede evaluarse simultáneamente y la información de características de falla puede extraerse de manera más completa. Después, se utiliza ReliefF para seleccionar las características sensibles de las características de falla multidimensionales. Finalmente, las características sensibles se introducen en la máquina de aprendizaje extremo regularizada optimizada para identificar los estados de falla de la caja de cambios. A través de tres tipos diferentes de experimentos de caja de cambios, los resultados experimentales confirman que el método propuesto tiene un mejor rendimiento y generalización diagnóstica, que puede identificar de manera efectiva y precisa las diferentes categorías de fallas de la caja de cambios y supera a otros métodos contrastivos.