伴随着科学技术的进步,现代社会的自动化程度越来越高,各行各业都拥有各式各样的工业设备以提高生产效率,而现在的设备在功能越来越完善的同时结构也越来越复杂,根据可靠性的基本理论:越复杂的产品,发生故障的几率越大。一些核心的设备一旦发生故障不仅会造成巨大的经济损失,还有可能威胁到工作人员的生命安全,甚至造成灾难性的事故。所以对设备的运行状态进行监测及故障诊断有着迫切的市场需求。当设备的运行状态发生改变时,其产生的声信号的声学特性在时域部分和频域部分往往也会发生改变,而声信号又能够在不影响设备运行状态的情况下实现非接触式测量,所以将声信号作为故障诊断的研究对象,对设备运行状态进行监测和故障诊断对于确保设备安全运行,避免重大经济损失有着重要的实际意义。本文以基于声信号的故障诊断系统研发为课题,采用在时频局部化分析中表现出色的小波包分解能量特征和接近人耳听觉感受的梅尔倒谱系数特征以及它们的融合特征对采集到的声信号进行特征提取,使用SVM分类器进行训练,并借助美国凯斯西储大学的轴承数据库进行测试,得到的实验结果表明基于上述特征的诊断系统具有较高的识别率。同时结合实际经验,考虑到设备正常数据多,故障数据少甚至没有的情况,本文将高斯模型这种异常检测方法应用到故障诊断中,来监测设备的异常运行状态,并在相同的实验数据上进行了验证,得到的实验结果表明该方法能够以较高的识别率来区分正常数据和异常数据,其拟合结果在异常数据的分类上也表现良好。本文结合实际需求对故障诊断系统的功能进行分析,对系统的整体架构进行设计,并选用MPS-140401-I型多通道信号采集器和CRY333自由场测量传声器以及CRY506前置放大器来获取多路的声信号数据,通过Matlab和C/C++混合编程技术将用Matlab实现的数据处理算法封装到由MFC搭建的应用程序中,通过和数据库的交互来存储系统的各种参数信息,编程开发出了一套针对具体应用场景采样频率可调的、由声信号数据驱动的、在人机交互下能够不断优化的、多通道的故障诊断系统。并使用风扇数据、轴承数据、和工厂中采集的设备数据对该系统进行了测试,系统能够针对不同频段的数据,通过用户操作来选定不同的特征提取方法和分类方法来训练分类器,并使用分类器对在线采集到的数据进行分类,实现了预期的设计目标。