旋转机械是工业部门中应用最为广泛的一类机械设备，转子系统作为旋转机械的核心部件，也是最容易发生故障的，因而研究转子系统的状态监测和故障诊断方法具有重要的理论意义和实际工程应用价值。目前，转子系统振动故障诊断方法主要是以信号分析和人工智能方法为基础，依赖现场经验和专家分析，主要实现有无故障和故障类型的定性诊断。神经网络应用于转子系统故障诊断虽有一些成功的案例，但在实际应用中仍存在其局限性。确定性学习理论为动态环境下的知识学习、存储及再利用提出了一个系统的理论框架，采用该理论可实现神经网络对非线性系统未知动态的局部准确辨识。本文主要的研究内容如下：1、提出了基于确定学习的转子系统故障诊断方法。该方法分为两个阶段：学习阶段和诊断阶段。在学习阶段，采用RBF神经网络对转子系统的各种运行模式进行学习，学到的知识全面而准确地表达各种模式下的转子系统行为，以常数神经网络权值的形式方便地存储于模式库中，在诊断阶段，运用动态模式识别的方法中将学到的知识充分而有效地利用，从而实现转子系统的快速故障诊断。2、对裂纹转子系统未知动态进行确定学习，利用学到的知识实现对微小裂纹的检测及不同裂纹的定量识别；以具有刚性支承的水平Jeffcott转子系统为例进行仿真研究，仿真结果表明，所提方法有利于微小裂纹的早期检测以及实时了解裂纹的动态发展。3、考虑存在扰动情况下含不对中故障的转子系统，利用确定学习机制对正常模式及各种不对中故障模式进行学习，将学到的知识应用于不对中量的快速识别中；通过仿真研究以验证所提方法对于存在扰动的转子系统不对中故障诊断仍有效。4、以基础松动-碰摩耦合故障诊断为例研究基于确定学习的碰摩耦合故障诊断方法，建立包含转子系统的正常状态、碰摩故障和基础松动-碰摩耦合故障的转子系统模式库，通过调用模式库中的知识实现基础松动-碰摩耦合故障的诊断。仿真研究表明，所提方法可实现碰摩耦合故障的快速检测与分离。本文的研究表明，基于确定学习的转子系统故障诊断方法适用于复杂未知的的转子系统单一故障或耦合故障的诊断，可及时检测出故障以及在线监测故障的发展动态。