针对旋转机械故障诊断中的故障特征提取、多故障诊断、寿命预测、突发故障诊断和预测，以统计聚类和粒子滤波作为技术方法，解决了上述几个方面中存在的问题：1）目前故障特征很多，如何有效的将其进行选择和融合，根据各自的贡献对其进行充分利用，是一个需要研究的问题；2）多故障诊断中，同一种故障往往对应着多种形式的数据，包括不同环境下以及不同操作条件下的数据，增加了训练分类器的时间复杂度，如何尽可能减小训练分类器的时间复杂度，是目前面临的一个问题；3）在对旋转机械进行的寿命预测中，目前应用比较广泛的方法是粒子滤波技术，而无迹粒子滤波技术是对粒子滤波技术的改进，能够充分利用先验信息和观测值来矫正预测模型，但是该技术仍然存在鲁棒性不强的缺点，因此需要在这方面进行改进；4）突发故障因发生时间不确定而且持续时间短，导致故障特征很难捕捉，增加了突发故障诊断和预测难度，因此探索快速有效的故障诊断和预测算法是急需解决的问题。针对问题1），提出了两种基于统计聚类的故障特征选择和融合方法：一种是基于相似性传播（Affinity propagation,AP）聚类的特征选择方法，利用AP聚类不需要初始化聚类中心的优点，通过自动聚类找到特征集合的子集，而这些子集能够代表所有的特征，实验研究表明通过该方法选择出的特征子集在用于故障诊断后较其他特征选择方法具有更高的诊断准确性；另外一种方法是在AP聚类的基础上，提出了基于AP聚类和谱聚类相似性聚合（Affinity aggregation for spectrum clustering, AASC）的混合聚类特征线性融合方法，通过谱聚类获得最优的特征选择结果和这些特征对应的贡献权值，并将这些特征最终融合为一个特征。实验表明，采用本文方法处理后的特征，在用机器学习和数据驱动方法进行诊断时不仅简单，而且准确率更高。针对问题2），首先将历史振动信号数据分别按照速度和损伤程度进行分层，对每一层的历史数据进行聚类，获得具有较少故障类型的数据集合，对每个小的数据集合进行训练，当有新的故障数据时，可以首先判断其是属于哪一层面的故障，然后有针对性的进行故障诊断，这样节省了将所有故障类型都放在一起进行训练的时间，起到化繁为简的作用。采用美国凯斯西储大学电气工程实验室采集的滚动轴承多故障数据验证本文方法在多故障诊断中的效果，实验结果表明该方法能够有效的对多故障进行诊断。针对问题3），采用改进的无迹粒子滤波方法实现无迹粒子滤波方法在预测鲁棒性方面的提高，即利用奇异值分解（Singular Value Decomposition, SVD）首先对无迹卡尔曼滤波中的sigma点生成过程中的协方差P矩阵进行奇异值分解，分解后取其特征值作为新的sigma点，该方法克服了无迹粒子滤波方法在应用时鲁棒性不强的缺点，提高了寿命预测的可靠性。采用两组测试数据来验证本文方法在鲁棒性方面的提升效果，分别是NASA数据库中的Lithium-ion电池容量变化数据，以及NASA数据库中的滚动轴承全寿命周期内的振动数据，实验结果表明，改进后的无迹粒子滤波方法提升了预测算法对数据的鲁棒性，使得预测结果更加的准确。针对问题4）中的突发故障诊断和预测，分别提出了对应的方法。针对突发故障的诊断，采用统计聚类的方法对突发故障发生前的数据进行分析，获得代表其趋势的聚类中心数据库，然后实时监测在线数据，当有与这些中心匹配的数据出现时，立即采取紧急措施，避免突发灾难性事故的发生。针对突发故障的预测，将多元统计中的混合高斯隐马尔科夫模型（Mixture of Gaussian Hidden Markov Model, MOG-HMM）方法进行改进，采用多状态的MOG-HMM方法对突发故障演化过程进行建模，以适应突发故障各个状态持续时间短的特点。通过实验室搭建的突发故障模拟实验台采集的数据对上述两种方法进行测试，并采用突发故障评价指标对两种算法进行评价，实验结果验证了本文提出的突发故障诊断、预测方法的有效性。