近些年,基于声音信号的故障诊断技术被应用在多个领域,例如风机故障诊断、发动机故障诊断、放电故障诊断等。基于声信号的故障诊断应用繁多,其也逐渐成为故障诊断领域中的一个研究热点,并引起了诸多学者的关注。目前,基于声音信号的故障诊断研究仍存在一些问题,如：采集到的声信号信噪比较低、故障诊断分类器无法实现类别增量学习、大多故障诊断系统的应用太过局限等。针对以上问题,‘本文主要研究了诊断系统的滤波、信号特征提取以及信号的类别增量学习算法；所做工作如下：’首先,介绍了故障诊断的常用滤波方法。因采集的声信号信噪比较低,故本文对声信号的常用滤波算法进行了简单的介绍与分析,主要的滤波方法有：奇异值分解滤波、小波滤波、经验模态分解滤波。特别的,针对传统经验模态分解滤波存在的一些问题,本文对其进行了改进,增强了信号的滤波效果。其次,分别采用基于小波包分解能量、经验模态分解能量以及梅尔倒谱系数的特征提取方法对声信号进行特征提取,将得到的特征向量送入SVM分类器进行训练,诊断实验结果表明,基于上述特征的诊断系统拥有较高的诊断正确率。此外,一般的诊断系统不具备类别增量学习功能,本文对类别增量学习算法进行了探究。最后,开发了基于C、Matlab以及MS SQL的故障诊断平台。通过c与Matlab混编技术,可将Matlab中的算法函数在C环境下编译运行,大大节约了开发系统的时间,通过MS SQL数据库可对现场采集的数据进行简单管理,方便的实现用户对数据的查询、删除以及添加操作。