支持向量机算法是以统计学习理论为基础的一种机器学习方法,它以其扎实的理论基础以及完整的理论推导,成为处理小样本学习、非线性、局部极小值等问题的有效工具。支持向量机与神经网络相比,具有收敛速度快、稳定性强和泛化能力强等优点,因此在故障检测领域中具有广泛的应用。在现实应用中由于故障数据不容易获得,所以检测数据往往是不均衡的。但是利用传统的支持向量机算法处理不均衡故障检测数据问题,分类器的分类效果很不理想,因此很多学者对支持向量机算法进行了改进。目前在数据层面对支持向量机算法的改进主要集中在少数类样本的过采样,但多数类样本中存在的噪声和冗余能对分类器产生不良的影响。鉴于此,本文提出将一种新型的逐级优化递减(ODR)欠采样算法,并且与边界人工少数类过采样算法(BSMOTE)结合实现训练样本数据集的均衡。该方法首先利用ODR对多数类样本进行欠采样,去除多数类样本中存在的大量重叠的冗余信息和噪声样本,使得在减少数据的同时保留更多的有用信息；而对少数类样本的过采样是对分类边界附近的少数类样本进行的,能更加有利于后续的SVM算法的分类。本课题首先利用UCI数据库中5组不同比例的不均衡数据集对本文提出的基于逐级优化递减算法(ODR)和BSMOTE算法相结合的SVM算法(ODR-BSMOTE-SVM)的分类性能进行测试,并与现有的基于少数类样本过采样的改进SVM算法进行对比测试。最后利用ODR-BSMOTE-SVM算法对滚动轴承故障检测数据集中进行检测性能测试,,并测试算法中重要参数对算法检测性能的影响,以及测试算法在滚动轴承故障检测中的泛化能力。