滚动轴承是机械中磨损最严重的元件之一，大量旋转机械的故障都与滚动轴承有关，对滚动轴承进行状态监测和故障诊断的研究具有重要的实际意义。本文致力于滚动轴承故障声发射信号的特征提取和故障模式识别技术的研究。 本文以滚动轴承故障声发射信号为主要研究对象，对小波分析在声发射信号处理中的应用进行了研究。首先，根据滚动轴承故障声发射信号的特点，分析了声发射信号小波分析的小波基选取规则，并且找出了适合于分析滚动轴承故障声发射信号的Daubechies小波、Symlets小波和Coiflets；其次分析了基于Mallat算法的小波多分辨分析的概念，得出了多分辨分析频率的范围和小波分解的最大分解尺度公式，对滚动轴承声发射信号的小波分析起到了指导作用；本文还研究了三种基于小波分析的滚动轴承声发射信号特征参数提取方法：小波特征频谱分析法、小波特征能量谱系数法、小波分解系数分析法。实际的工程应用结果表明：这三种特征分析方法能够有效地提取滚动轴承声发射信号的特征参数。 论文对BP和RBF神经网络在滚动轴承声发射信号模式识别应用中的问题进行了研究。特别是对BP和RBF网络学习样本的构造、输入输出层节点数的确定和隐层节点数的确定，神经网络结构优化等方面的问题进行了研究。研究了基于改进算法的BP网络和基于改进遗传算法的RBF网络、小样本加噪声循环训练法、小波分析与BP和RBF神经网络有机结合和集成人工神经网络等五种提高神经网络性能的方法。实验结果表明，基于上述方法的神经网络在滚动轴承的故障模式识别过程中取得了良好的效果。 通过实验，研究了滚动轴承声发射信号的最大幅值、均方根值和峰度系数与滚动轴承故障缺陷的严重程度、滚动轴承的运转载荷和运转速度之间的关系。实验结果表明，上述三种参数能够对滚动轴承的故障特征进行描述，有助于滚动轴承故障模式的识别和判断。