随着现代化大型机械设备日益向大型化、复杂化和精密化的方向发展，部件的结构日趋精密。但各部件之间存在许多错综复杂、关联耦合的相互关系，导致其故障特征信息具有不确定性、不完备性等特点，仅仅依靠单一信息源对故障难于做出精确的诊断。由于多源信息融合技术能够增加故障特征信息的完备性，贝叶斯网络能够克服故障特征信息的不确定性，本文提出基于多源信息融合贝叶斯网络的故障诊断方法并验证所提方法的有效性。首先，针对小波包分解算法在对信号进行分解时存在的不足，利用改进小波包分解算法对故障信号中包含重要信息频带的信号能量进行特征提取。该方法不仅可以减小由小波滤波器组的频域特性和隔点采样所造成的频率混叠现象，而且可以避免小波包分解算法计算量大的缺点。其次，针对故障特征信息集合中存在冗余属性的问题，以及各个属性对系统分类的重要程度不同的情况，提出基于类差别矩阵和属性重要度相结合的属性约简算法，根据样本决策表构建类差别矩阵，选择属性重要度最大的属性并入约简集。该算法可以有效地对故障特征信息进行压缩并去除冗余属性。再次，针对基于条件独立性假设的朴素贝叶斯分类器在实际应用中的局限性，提出基于熵权法的属性加权朴素贝叶斯分类器算法。该算法考虑了不同条件属性与类属性之间的相互关联程度，通过对它们的关联性的进一步利用来提升贝叶斯分类器的性能，以提高现有贝叶斯分类器的分类精度。最后，针对滚动轴承的故障特征信息具有不确定性的特点，以及传统滚动轴承故障诊断方法的故障特征信息多数来自单一信息源的情况，提出基于多源信息融合贝叶斯网络的故障诊断方法。利用改进小波包算法进行特征提取，利用基于类差别矩阵和属性重要度的算法进行属性约简，利用属性加权朴素贝叶斯分类器进行信息融合。最后以美国Case Western Reserve大学的滚动轴承实验数据为例验证所提方法的有效性。