轴承是旋转机械中的一种常见部件,在现代工业生产中扮演举足轻重的角色。轴承的安全平稳运行将直接影响整个机械系统的生产效率,然而,在实际工业环境中,轴承比其他机械部件更容易发生故障。轴承损伤的出现势必会影响机械设备的剩余寿命,致使工业产能下降,严重时还会危及工作人员的生命安全。因此,为减少因轴承故障造成的损失,应对轴承的运行状态进行监测与诊断,以保障机械设备的安全稳定运行。随着计算机技术的进步以及信号处理算法的发展,各种故障诊断方法如雨后春笋,层出不穷,但各有优劣。这些诊断方法可大致分为两类:一是根据轴承故障特征频率确定故障种类,另一种则是借用分类器,对不同类型的故障数据进行分类识别。据此,本文提出了两种故障诊断方法,并通过实验对所提方法的性能进行验证。本文主要研究内容如下:（1）首先分析了轴承故障诊断的研究背景,并指出了对该课题进行研究的意义所在;然后描述了该领域的国内外研究现状以及发展趋势,并对常见的轴承故障特征提取以及故障分类方法进行概括。（2）将多带通滤波算法应用于轴承故障信号的分解,并与包络谱分析相结合以实现对滚动轴承的故障诊断。通过对原型滤波器进行余弦调制设计多带通滤波器,再利用多带通滤波器将轴承振动信号分解为多个子带信号。为选取包含故障信息丰富的子信号,提出了一种基于轴承故障特征频率活跃性水平的自适应选择方法。最后,绘制所选子信号的包络谱,并根据包络谱中的故障特征频率及其各次谐波确定该轴承的故障类型。无论是仿真数据实验还是真实信号实验,所提方法均能有效识别出故障类型。（3）虽然根据包络谱中的轴承故障特征频率可以识别出故障种类,但该类方法需要对轴承的几何参数有详细的了解,因此本文又提出一种基于数据驱动的智能分类方法,将改进的奇异值分解与支持向量机分类器相结合。由于传统的根据奇异值差分谱中最大值确定临界奇异值的方法会造成所选奇异值较少,丢失故障信息,因此本文对奇异值的选择方案进行了改进。在传统奇异值差分谱的基础上利用阈值法定位临界奇异值并加以选择,而后根据所选的奇异值恢复轴承信号并做加权处理,从而实现在降低噪声的同时增强故障冲击。利用处理后的轴承数据构造分类器的训练矩阵与测试矩阵,经主成分分析得到特征矩阵后,再通过支持向量机实现对故障类型的判别。在实验中,支持向量机的参数寻优由遗传算法完成。实验结果表明,所提方法能够达到轴承故障诊断的目的,同时也有着很高的分类准确率。