伴随着现代化设备维修技术从预防维修向预测维修的发展，发展起来一种新的学科—机械设备的状态监控与故障诊断。振动检测技术一直是机械设备状态监测和故障诊断技术的主要手段。在处理故障诊断等实际问题时，能得到的样本数据是非常有限的，故障模式识别在大多数情况下是一个小样本机器学习问题。支持向量机是在统计学习理论基础上发展起来的一种新型的针对小样本的学习机器。支持向量机应用于故障诊断最大的优势就在于它适合于小样本决策。　　本文围绕支持向量机在机械故障诊断应用研究领域中的若干关键问题进行研究，主要工作和研究成果如下：　　1、通过研究几种常用的SVM多类分类算法，比较它们的优劣性，引出一种改进的基于带标记的二叉树多类分类方法，这种算法能够减少子分类器的数目，提高分类的准确性。　　2、根据对核函数及其参数选择方法的研究，建立基于Fisher判别准则和蚁群优化算法相结合的核函数参数自动优化方法。可以实现支持向量机分类器的核函数参数的优化，结果表明本方法可以提高分类器的分类能力，具有算法简单、优化效率高等优点。　　3、将多类别支持向量机分类算法应用于机械故障诊断问题，用小波包分解的方法对信号进行特征提取，利用支持向量机方法建立故障分类器模型，成功实现故障的检测和诊断。