El diagnóstico de fallos es un tema desafiante para sistemas industriales complejos debido a los diversos entornos en los que se encuentran dichos sistemas. Con el fin de mejorar el rendimiento del diagnóstico de fallos, este estudio diseña un enfoque novedoso utilizando optimización por enjambre de partículas (PSO) con mutación wavelet y soporte vectorial de mínimos cuadrados (LSSVM). La implementación implica los siguientes tres pasos. En primer lugar, las señales originales se descomponen a través de un algoritmo de descomposición de paquetes wavelet ortogonales. En segundo lugar, las señales descompuestas se reconstruyen para obtener las características de fallo. Finalmente, las características extraídas se utilizan como entradas del modelo de diagnóstico de fallos establecido en esta investigación para mejorar la precisión de clasificación. Este método de optimización conjunta no solo resuelve el problema de que el PSO caiga fácilmente en el extremo local, sino que también mejora de manera efectiva el rendimiento de clasificación del diagnóstico de fallos. A través de la verificación experimental, el modelo de diagnóstico de fallos de optimización por enjambre de partículas con mutación wavelet y máquina de soporte vectorial de mínimos cuadrados (WMPSO-LSSVM) tiene una eficiencia máxima de reconocimiento de fallos que es un 12% superior al LSSVM y un 9% superior a la máquina de aprendizaje extremo (ELM). El error del modelo de regresión correspondiente bajo el algoritmo WMPSO-LSSVM es 0.365 menor que el del modelo de regresión lineal tradicional. Por lo tanto, el esquema de fallo propuesto puede identificar de manera efectiva los fallos que ocurren en sistemas industriales complejos.