滚动轴承在各类大型机械设备中作为十分常见、应用广泛的重要零部件,其在各类实际生产中发挥着十分重要的作用,但由于易受损伤的特点,轴承故障会影响整体机组的稳定,进而引发一系列的后期问题。为了预防因轴承故障造成的整机安全问题,要求对滚动轴承进行检修等工作来预防隐患,因此,预先确定轴承故障类型、确保其正常运行具有重大的现实意义。面向大数据时代,本文以轴承故障作为主要研究方向,首先阐述大数据环境下故障诊断的研究背景和意义;再总结、分析了大数据技术的相关应用、轴承故障诊断的理论过程;同时,本文分别将轴承故障诊断的三个基本过程作为研究的切入点,主要的研究内容如下:（1）本文针对传感器获取到的轴承振动信号中的噪声影响故障诊断结果的问题,采用LMD（局部均值分解）方法进行噪声的消除,并根据FPA（固定点算法）的特点,提出一种联合信号降噪的方法。又针对原始振动信号中敏感特征难以提取,且构建的特征集合难以完整表现轴承故障类型,进而影响后期故障诊断准确度的问题,提出了一种基于KPCA（核主成分分析）的降维方法。联合降噪方法和特征提取方法均为后期故障诊断打下前期基础。（2）文中针对传统故障诊断模型面向海量故障数据时诊断准确度低的问题,构建了一种基于改进XGBoost（极端提升决策树）的故障诊断模型。该模型以多个故障类型的特征作为输入,经参数优化的SVM基础之上,又通过XGBoost提升分类精度,其中,以XGBoost的改进和两种特征集合流程选取来达到提升的效果。文中的数据处理过程应用在Spark-大数据平台之上,采用并行处理的方式进行科学计算。为了进一步说明本文故障诊断模型的可行性和优势,采用CWRU（美国凯斯西储大学）机构提供的滚动轴承数据进行训练和仿真,最后通过4种不同的故障诊断模型之间的对比和某企业提供的故障轴承来证明本文诊断模型的优越性。