在产品生产过程中,往往存在设备突发性故障,这些故障轻则造成一定的经济损失,重则造成人员的伤亡。然而这些突发性故障一般是由于早期故障发现不及时,长期累积造成的。因此,采用科学的方法建立设备故障诊断模型,从而及时地诊断出设备的运行状态,变得尤为重要。本文首先深入了解了机械故障诊断技术的发展历程和现阶段建立故障诊断模型的常用方法,并分析了滚动轴承常见的故障形式以及不同故障形式在其振动信号中的表征。此外,为了获得滚动轴承的实际振动数据,本课题设计搭建了一套旋转机械故障诊断实验平台。对于轴承振动信号的特征提取,本文引入了类别可分性指标作为评判特征提取效果优劣的标准。当对以往的特征提取方法提取到的特征向量以类别可分性指标分析时发现:以往方法提取到的特征向量类别可分性较差。据此,本文结合滚动轴承振动信号固有特点,提出了一种基于EEMD和改进SVD差分谱的振动信号特征提取方法。该方法通过深入研究奇异值变化与待处理信号本身之间的关系,确定了轴承振动信号特征提取时有效奇异值的选取方式。仿真实验表明,相对于以往的特征提取方法,该方法对于不同故障类型的振动信号提取到的特征类内距离平均减小了44.87%,类间距离平均提高了105.55%,极大的提升了轴承振动信号特征提取的效果。对于故障诊断模型的建立,以往的故障诊断方法局限于故障类型已知,无法实现对未知故障类型的判别,缺乏自学习功能。因此,本文提出一种基于仿射传播聚类算法(Affinity Propagation,AP)和BP神经网络的自学习故障诊断方法。实验结果表明,该方法既可以正确的识别出已知类型的故障还能准确的识别出未知类型的故障,识别准确率高达100%。最后,利用自主搭建的旋转机械故障诊断实验平台的轴承振动数据对本文提出的自学习故障诊断方法进行实验验证。实验结果表明,本文提出的旋转机械自学习故障诊断方法能正确的识别已知故障和未知故障,模型具有自学习功能。