在机械设备故障诊断中已知模式信息不足的情况下，为了准确提取故障的非线性特征，论文将半监督学习理论与核函数主元分析(KPCA)相结合，提出半监督式核函数主元分析方法，以汽车变速器为对象，重点研究齿轮箱早期故障的检测与复杂相似故障的分类问题。 论文首先介绍了核函数主元分析的原理，归纳了KPCA实现特征提取的算法步骤。构造改进型近邻函数准则算法，并将其融入KPCA的后处理过程。提出了半监督式KPCA故障检测方法，用已知信息指导检测模型参数设置。构造样本可分性评价指标用于指导特征指标与核参数选取，将未知样本融入学习训练以提高分类器性能，提出了半监督式KPCA故障分类方法。 利用传动实验台，进行变速器无故障和典型故障对比实验。通过时域统计量分析、频谱分析、细化谱分析、频谱校正和解调分析等信号处理方法，对变速器齿轮类和轴承类故障的实验数据进行特征分析，建立了变速器齿轮、轴承故障特征信息库。进行变速器固定转速改变负荷及固定负荷改变转速实验，分析了转速和负荷对变速器特征频率幅值及调制边频带分布的影响。 结合实验，将半监督式KPCA方法应用于变速器故障检测与分类。在已知信息不足情况下，半监督式KPCA检测模型在对轻微故障的检测中体现出良好的性能，半监督式KPCA分类方法相比监督式KPCA分类方法具有更好的聚类效果和分类正确性。讨论了特征指标选取对半监督式KPCA分类的影响，分析了不同核函数及不同核参数对半监督式KPCA分类效果的影响。 论文提出了半监督式KPCA故障检测与分类方法，通过理论研究与实验分析证明了该方法在故障诊断中的优越性能。