随着现代工业生产设备大型化、连续化、高速化和自动化的不断发展，机械设备的故障诊断技术越来越受到重视。而人工智能技术的不断进步，使诊断技术进入了一个新的阶段，即智能化诊断阶段。　　本课题研究的目的在于开发出一种智能化的故障诊断方法，使诊断过程更迅速，诊断结果更可靠，从而提高故障诊断的水平和效率，保证机械系统运行稳定性和安全性。　　基于高斯混合模型(GMM,GaussianMixtureModel)的基本原理，我们给出了对机械的故障诊断和性能评估方法，并通过滚动轴承的振动数据验证了该方法的可行性。本文的研究内容主要包括以下几个方面：　　第一，采用离散小波变换的方法，分析振动信号，生成设备各状态的特征向量。　　第二，基于设备特征向量，利用最大似然估计法和期望最大值法，估计GMM的参数，建立模型；同时，采用交叉验证的方法来确定GMM的混合成分的个数，使实验结果更可靠。　　第三，通过Matlab编程实现了该诊断方法，以此来进行滚动轴承的故障诊断实验，并比较GMM和多层感知器神经网络的分类性能。　　第四，根据设备不同状态GMM的偏移特性，得出描述设备性能衰减的GMM之间距离的公式，并以此为依据评估设备的性能，完成对滚动轴承的性能评估实验。　　本文中两个实验的结果表明：GMM在机械故障诊断和性能评估的应用上具有广阔的前景。