La señal de vibración de fallos en maquinaria rotativa es una señal de impacto periódica y las características del fallo aparecen periódicamente. El algoritmo K-SVD invariante a desplazamientos puede resolver este problema de manera efectiva y, por lo tanto, es adecuado para la extracción de características de fallos en maquinaria rotativa. Con el diccionario sobredimensionado aprendido a partir de las muestras de entrenamiento, incluyendo las diferentes clases, se pueden formar características escasas invariantes a desplazamientos para las muestras de entrenamiento y prueba a través de códigos escasos y emplearlas como entrada del clasificador. Una máquina de vectores de soporte (SVM) con parámetros optimizados se ha utilizado extensamente en el diagnóstico inteligente de fallos en maquinaria. Por lo tanto, en este estudio, se propone un nuevo método de diagnóstico de fallos de rodamientos utilizando características escasas invariantes a desplazamientos y SVM optimizado. Primero, se lleva a cabo el aprendizaje del diccionario mediante el algoritmo K-SVD invariante a desplazamientos. Luego, se construye la característica escasa invariante a desplazamientos con el diccionario sobredimensionado aprendido. Finalmente, se emplea SVM optimizado para la clasificación de la característica escasa invariante a desplazamientos correspondiente a diferentes clases, logrando así el diagnóstico de fallos en los rodamientos. En cuanto al SVM optimizado, se llevan a cabo tres métodos, incluyendo búsqueda en cuadrícula, algoritmo genético (GA) y optimización por enjambre de partículas (PSO). Los resultados del experimento muestran que la característica escasa invariante a desplazamientos utilizando K-SVD invariante a desplazamientos puede distinguir efectivamente las señales de vibración de los rodamientos correspondientes a diferentes estados de funcionamiento. Además, el SVM optimizado puede mejorar significativamente la precisión del diagnóstico.