随着科学技术的发展，机械设备越来越复杂，设备运行中发生故障或失效可能会造成巨大的损失。因此，及时地监测设备健康状态，可以有效保障设备安全可靠运行，防止事故的发生。本文以滚动轴承为研究对象，研究了基于AP聚类算法的机械结构健康状态监测技术，研究工作和成果如下：为了提取有效的设备健康状态特征，研究了信号的预处理方法：时域指标、频域指标和小波包变换。实验表明：当滚动轴承出现不同损伤时，振动信号的时域、频域、时频域指标都会发生变化，且在不同损伤状态时，这些指标有明显差别；因此，特征提取不仅可以降低设备状态参量的维数，同时也可以有效地描述设备的健康状态。为了描述设备健康状态，研究了基于能量熵的健康状态监测方法，首先对设备的振动信号进行小波包分解以获取各个频带的相对能量，然后获得熵值，实验表明：小波包能量熵可以有效地鉴别故障状态和损伤程度，可以用来监测滚动轴承健康状态的变化历程。针对一般聚类算法需要事先指定类别数或聚类不收敛等问题，研究了AP聚类分析的结构健康状态监测方法，实验表明：AP聚类算法参考度p和收敛系数对聚类结果有较大的影响，在参考度p相同的情况下，收敛系数增大，算法的迭代次数也随之增加，如果收敛系数过小，算法可能会出现振荡甚至不收敛；在相同收敛系数的情况下，参考度p的取值会影响聚类分析的结果，当参考度取值较大时，会产生分类过多的现象，而当参考度取值较小时，会出现欠分类的现象。相对而言，参考度的取值对聚类结果的影响较大。为了克服AP算法的聚类结果受参考度p取值影响的不足，研究了基于半监督AP聚类分析的结构健康状态监测方法。对于类别数未知的聚类样本，半监督AP聚类算法不需要提前设定参考度p的取值，在迭代过程中嵌入有效性指标评价准则监督和引导聚类过程产生最优聚类结果。实验证明：半监督AP聚类分析比AP聚类分析更适合于结构的状态监测。