随着现代科学技术的不断发展，现代设备的结构越来越复杂，功能越来越完善，自动化程度越来越高，系统集成的规模越来越大。因此，对设备的性能识别和故障诊断技术的要求越来越高。滚动轴承作为各类旋转机械中最常用的通用零部件之一，也是旋转机械易损件之一。滚动轴承故障诊断的理论、方法和应用得到特别的重视。 本文详细分析和讨论了滚动轴承诊断的常用方法。这些传统的方法主要基于振动分析诊断方法的基本原理和方法。在充分讨论和分析滚动轴承的各种振动信号分析方法，包括时域分析、频域分析和时频分析以及各种时、频域特征提取方法，以及新近发展的滚动轴承状态识别方法中神经网络分类器和支持向量机的基本原理后，提出了新的轴承振动信号分析方法及状态识别方法，对新方法的理论进行深入研究，并研制了分析程序，应用实际数据进行数值试验的应用研究。 本文关于新方法的研究和应用工作主要包括两个部分： (1)吸取传统共振解调技术的主要思想，结合自适应短时傅立叶方法，提出一种新的振动信号分析方法——自适应共振解调技术。该方法利用自适应STFT对采集到的振动信号进行时频变换，给出L~p范数准则从时频能量谱中提取类似于边缘谱的时间能量信号，并用该信号取代传统共振解调中的包络信号进行谱分析。试验证明该方法不仅有效地突出了故障特征，还避免了传统共振解调方法中滤波器参数选择难的问题。 (2)提出了一种结合支持向量机、主成分分析及相关山形聚类分析的全新的轴承特征识别方法。首先利用支持向量机分类器对滚动轴承特征参数样本进行分类，分离出带故障的轴承特征参数样本；其次对故障轴承的特征参数数据作主成分分析，得到独立的，低维的，代表了主要信息的主成分指标；最后运用相关山形聚类方法对主成分数据进行聚类分析，最终达到辨别故障部位的目的。试验表明，该方法用于轴承特征识别有效率达到96％。