滚动轴承是旋转机械中应用最为广泛的机械部件，也是最易损坏的部件之一。旋转机械的许多故障都与滚动轴承有关，轴承工作状态的好坏直接影响到设备的工作性能。因此，对轴承开展故障诊断研究具有重要意义。 本文的研究工作包括： (1)根据滚动轴承冲击故障的特点，针对故障发生部位的不同，设计了八类点蚀故障模式。利用幅值指标分析、幅值谱分析、滤波分析对点蚀信号进行处理，分析了各种模式下的振动特征及各模式之间的差异。结果表明利用上述分析手段，只能定性识别故障模式，即判断点蚀故障的有无，无法确定故障的具体模式。 (2)针对轴承振动信号噪声较为强烈的特点，本文对小波降噪技术在轴承故障诊断中的应用进行了研究。降噪结果表明，小波分解后采用阈值法可以有效剔除振动信号中包含的噪声，降噪信号经频谱分析后可以成功提取滚动轴承的故障特征，达到诊断目的。 (3)针对轴承故障信号中普遍存在的调制现象，本文将小波分解后的高频信号采用包络分析，能够提取高频衰减振动中包含的低频调制信息，再进行频谱分析便可容易识别故障特征，并且可以对实验设计的八类点蚀故障加以区分。 (4)为了自动识别轴承点蚀故障模式，本文以轴承模拟故障信号的幅值指标作为样本数据，对BP神经网络加以训练，从而得到了期望的诊断网络，实现了轴承故障诊断的智能化。通过分析不同模式下点蚀故障信号的幅值指标分布特点，结合神经网络的固有特性，本文引入了二级逐步深入的BP神经网络诊断策略，经过与单级BP神经网络的诊断效果对比分析，验证了二级网络的优越性。 (5)针对幅值指标训练效果的不足，本文将小波包分析与神经网络相结合，利用小波包分解信号的各频段能量作为特征向量对BP神经网络进行训练，获得的模式识别网络能够明确区分实验中涉及的八类故障模式；采用新数据进行网络性能测试，证明其性能良好。 为了满足企业开展设备诊断的需求，设计开发了轴承故障诊断系统。该系统的数据库具有网络化功能，为实现设备的远程诊断奠定了基础。