随着机械设备向大型化、智能化和高度非线性方向发展，对其运行维护提出了更高的要求。为此，现代信息技术和现代测试技术以及人工智能等在旋转机械故障诊断技术受到了广泛的关注。利用获取的机器状态数据信息，采用智能数据处理算法，通过建立量化描述机械运行状态的特征模式，可为实现智能机械设备奠定理论基础。　　本研究以旋转机械核心部件——转子系统为研究对象，围绕故障数据集降维和故障模式分类与辨识问题开展了研究。通过对故障特征集的降维及转子系统故障辨识方法的探讨，为科学描述机械设备运行状态以及精确实现旋转机械故障在线和离线诊断提供理论依据。开展的具体研究内容和得到的结论如下：　　1.针对转子系统高维故障数据存在“信息丰富，知识贫乏”的问题，在分析单一尺度核主成分分析(KPCA)的基础上，通过构造多核函数的一种特殊形式多尺度核函数，建立多尺度核函数主成分分析(MSKPCA)方法用于高维故障数据的降维。此方法能够以不同的尺度提取原始空间中的敏感特征信息，将其用于数据降维，一方面可以解决“维数灾难”问题，另一方面可以更好地认识和理解数据。　　2.建立了基于多尺度核主成分分析法(MSKPCA)和支持向量机(SVM)的多尺度核多层核转子故障诊断模型。在分析主成分方法、核主成分分析法以及支持向量机(SVM)特点的基础上，建立了MSKPCA—SVM转子故障诊断模型，该模型的特点是：多尺度核主成分分析方法具有多尺度性能，可有效提取原始特征集不同尺度下的敏感特征信息，支持向量机在小样本分类中优势明显，因此该模型在转子故障诊断中显示出很好地诊断效果。　　3.分析了转子典型故障的特点，并通过实验验证了所建立的多尺度核多层核故障诊断模型。在分析并总结转子系统典型故障特性的基础上，在双跨转子实验台模拟了转子系统的四种典型故障，利用采集的数据，对多尺度核多层核转子系统故障诊断模型进行验证。结果表明：多尺度核主成分分析方法能够提取不同尺度下的敏感特征信息，建立的模型能够正确诊断不同故障，具有良好的实用价值。　　4.对转子实验台状态监测与反馈控制软件做了改进与优化。利用虚拟仪器技术对已有软件做了改进与优化，使其功能更加完备。建立了一套具备振动信号分析与现实、振动趋势显示、数据存储和故障辨识的状态监与故障诊断系统，应用表明，改进与优化后的系统使用更加方便快捷。