精密轴承在现代机械装备中是十分重要的部件,在非正常工况下易发生故障。由于轴承故障会直接引起振动,基于振动信号的轴承故障诊断方法得到了广泛的应用。本文利用轴承振动信号,使用小波软阈值法对采样数据进行降噪处理。构建了小波包提取能量特征信息的信号预处理模型和神经网络故障诊断模型,结合两种模型对故障轴承振动信号进行了研究。论文采用正弦信号加高斯噪声模拟故障轴承振动信号,使用小波软阈值法对振动信号进行降噪处理,对降噪后的振动信号使用小波包提取其能量特征信息,建立了基于小波包分解提取能量特征的故障轴承振动信号预处理模型。研究了标准粒子群算法的基本原理,指出标准粒子群算法在搜索初期易出现收敛速度缓慢,而搜索后期又易陷入局部最优的不足,并采用非线性递减权重策略改进了标准粒子群算法。使用四个经典测试函数验证了改进粒子群算法的收敛性,结果表明收敛迭代次数和收敛时间都优于标准粒子群算法,建立了改进的优化算法模型。针对BP神经网络易陷入局部最小值、算法收敛慢等不足,采用改进粒子群算法优化BP神经网络。通过三输入测试函数模拟轴承故障信号的能量特征,结果表明改进粒子群算法优化的BP神经网络迭代次数少,提高了神经网络预测轴承故障的准确率,构建了基于神经网络的故障轴承诊断模型。论文将基于小波包提取能量特征信息的信号预处理模型和神经网络故障诊断模型相结合,进行了轴承的故障诊断。诊断结果表明优化后的BP神经网络可以提高诊断故障的准确率,算法的综合性能优于标准的BP神经网络。论文研究内容和结果为利用神经网络诊断轴承故障提供了新的思路和方法。