El problema de extracción de características de señales de vibración acopladas con múltiples modos de falla de engranajes planetarios no se ha resuelto de manera efectiva. En la actualidad, el análisis de componentes principales con núcleo (KPCA) se utiliza generalmente para resolver problemas de extracción de características no lineales, pero la selección de la función núcleo y su configuración de parámetros ciegos afectan en gran medida el rendimiento del algoritmo. Para la optimización de los parámetros del núcleo, es muy urgente estudiar el modelado teórico para mejorar el rendimiento del análisis de componentes principales con núcleo. Con el objetivo de abordar la deficiencia del análisis de componentes principales con núcleo que utiliza la función núcleo única para el mapeo no lineal de la extracción de características, se propone una función de doble núcleo basada en la combinación lineal flexible de una función de núcleo de base radial y una función de núcleo polinómica. Con el fin de aumentar la cientificidad en la configuración de los parámetros del núcleo y el coeficiente de peso flexible, se construyó un modelo matemático para la optimización de parámetros de doble núcleo basado en un análisis discriminante del criterio de Fisher. Además, este artículo propone un algoritmo de fusión inteligente de enjambre para aumentar las ventajas de este método para problemas de optimización, que involucra el algoritmo de salto de rana mezclada combinado con la optimización por enjambre de partículas (SFLA-PSO). El nuevo algoritmo de fusión se aplicó para optimizar los parámetros del núcleo y mejorar el rendimiento del mapeo no lineal de KPCA. La función de doble núcleo optimizada KPCA (DKKPCA) se aplicó a la extracción de características del daño por desgaste de engranajes planetarios, y tuvo un buen efecto de identificación en el límite de daño difuso de la caja de engranajes planetaria. La conclusión es que el DKKPCA optimizado por el algoritmo de fusión inteligente de enjambre SFLA-PSO no solo mejora efectivamente el rendimiento de la extracción de características, sino que también permite la selección adaptativa de parámetros para la función de doble núcleo y el ajuste de pesos para la función de núcleo básica a través de un cierto grado de optimización; por lo tanto, este método tiene un gran potencial para su uso práctico.