滚动轴承作为旋转机械中最多数量的部件,承担着支撑轴及轴上部件和确保旋转精度的重任。一旦发生故障,轻则影响机械运行品质,重则损坏整个旋转机械,造成人员伤亡。因此对滚动轴承进行实时健康监测和故障诊断具有非凡意义。常见的轴承故障诊断问题包括故障特征提取、异常状态检测以及故障类型和尺寸识别。本文针对上述三个问题,分别利用三种诊断方法解决轴承故障诊断问题。研究内容如下:（1）针对滚动轴承振动信号易受噪声影响,难以提取故障特征的问题,提出利用奇异值分解（Singular Value Decomposition,SVD）重构结合最小熵反卷积（Minimum Entropy Deconvolution,MED）增强的轴承故障特征提取方法。该方法首先利用SVD获得信号奇异分量（Singular Component,SC）。随后引入线性峭度衡量各个SC故障信息丰富程度,并将所有SC的线性峭度平均值作为筛选阈值,优选SC获得重构分量,剔除信号中噪声成分。再对重构信号进行MED增强,凸出信号中的冲击成分,进一步提取故障信息。最终包络解调实现故障特征频率的提取。仿真及试验数据的结果均表明该方法可提取丰富且明显的故障特征,较奇异值差分谱方法的效果更佳。（2）针对多分类故障诊断问题需要多类故障样本,且故障样本不易获取的问题,提出利用孤立森林（Isolation Forest,IF）的轴承异常状态检测方法。该方法直接使用正常轴承振动信号频谱训练IF模型,以训练样本最大异常分数作为检测阈值,判断轴承信号是否异常。通过对比扩大训练集前后的测试效果,发现模型存在误判正常状态的问题。为解决误判问题,引入部分故障样本组成阈值修正集改进原始方法,调整模型判断阈值,消除误判情况。通过对比改进前后的模型结果,表明本方法可以准确判断轴承异常状态,误判问题得到解决。（3）针对滚动轴承故障类型判断和故障尺寸识别问题,提出以希尔伯特曲线（Hilbert Curve,HC）结合卷积神经网络（Convolutional Neural Network,CNN）的故障类型及尺寸的识别方法。首先利用HC进行数据转换,构建二维CNN所需数据,并划分训练集、验证集和测试集以训练和测试网络。随后针对网络卷积层参数对网络效果的影响进行对比分析,并在分析基础上更新网络结构。对比网络参数更新前后的诊断结果,表明修改网络参数有助于提升网络效果,提升诊断结果,较初始模型有较大提升。