进入21世纪以后,随着能源短缺、环境恶化问题的日益严峻,促使机械制造工艺向更高参数和更大装置规模发展,生产过程大型化、自动化、高参数运行、高能量储备的趋势使得机械产品的安全问题具有前所未有的重要性。机械产品复杂性和不确定性的增加,使其物理模型很难确定,由于其成本高、批量小等特点,传统的基于大样本的统计方法并不适合这类机械装备试验样本稀少的特点,如何根据小样本下的特征数据进行状态评估和寿命预测是具有极大挑战性课题,相关理论和方法以亟待完善。基于数据驱动的寿命预测方法为解决这类问题提供了可行的途径,本文针对现阶段机械设备运行维护中的重要科学问题,结合国家机械与制造科学的发展规划,对基于数据驱动的寿命预测方法中的支持向量机模型和状态空间模型进行了研究,本文主要完成了如下几个方面的工作：第一,对机械设备剩余寿命预测研究方法进行了综述,将寿命预测方法分为基于物理模型预测的方法,基于统计经验的预测方法,基于知识的预测方法和基于数据驱动预测的方法四类,分别对这些方法进行分析,比较各方法的优缺点。对机械设备故障预测的基本概念、发展历程以及故障预测内容进行了介绍,对故障演化规律进行了分析,给出了剩余寿命的定义。以上内容为机械设备剩余寿命预测模型的建立奠定了基础。第二,在支持向量机模型的应用实例中,首先对双列滚子轴承的振动信号提取RMS值作为退化特征,为减少信号中不规则特性的影响,同时简化信号的复杂性,将小波变换和支持向量机模型结合,根据分解后退化数据特征建立WT-SVM模型,对轴承退化趋势进行了单步与多步预测。对预测的结果,依据Hazen作图位置公式,得出了轴承退化预测点的分布,并给出了预测点基于t分布的95%的置信区间。同时将预测结果与单一SVM模型和神经网络模型的预测结果进行了对比分析。第三,在状态空间模型的应用实例中,测取了铣刀加工过程中的磨损量数据,采用带有随机漂移效应的线性维纳过程描述刀具磨损量的变化过程并建立状态空间模型,这个模型与粒子滤波算法结合,基于自助法重采样得出了模型的未知参数,进而对铣刀的退化和剩余寿命进行了预测,根据对应的决策模型对最优换刀时间进行了分析。本论文的研究工作可为我国机械设备剩余寿命预测研究提供一定的参考与借鉴。