滚动轴承作为旋转机械设备的重要组成部分,在工业生产中应用非常广泛。轴承常常工作在高负载、高转速环境下,容易出现故障导致设备停机,甚至会对人身安全造成威胁。本文研究滚动轴承故障诊断这一极具现实意义的问题,基于振动信号将诊断分为特征提取和模型训练两部分,首先提出非局部均值去噪(NLM)与变分模式分解(VMD)结合的故障特征提取方法,接着引入度量学习改变样本分布提升分类器性能。在分析了国内外研究成果的基础上,本文提出了一种抗噪性能好、诊断精准度高的轴承诊断方法。本文对非局部均值去噪算法(NLM)做了深入分析,将其一维化并用于轴承振动信号去噪。针对NLM去噪效果受参数影响大的特性,提出应用贝叶斯优化NLM参数,以谱峭度和峰值信噪比结合作为优化目标函数,显著提升了NLM在处理低信噪比信号时的性能。现实中,受种种因素影响,采集到的真实轴承故障震动信号可能含有很强的环境噪声,针对低信噪比故障信号特征提取难的问题,本文提出非局部均值去噪和变分模态分解(VMD)结合的故障特征提取技术,利用VMD分解原始信号,选出代表故障特征信息的主模态分量,进一步使用贝叶斯优化的NLM对分量信号做去噪处理,解决了VMD不能完全消除信号中噪声的缺点,有效将湮没于噪声的故障信息剥离出来。对于分类器的训练,本文将度量学习成功引入到轴承故障诊断问题的研究之中。度量学习能自适应从原始数据中学习度量标准,改变原始样本分布,极大提升分类器的准确度。本文基于最大边际近邻算法,改进了K最近邻分类器,设计多组对照试验,说明了度量学习应用于轴承故障诊断的有效性。