滚动轴承作为支承轴和轴上零件的重要机械元件,被应用于多种机械设备中。由于长期处于变转速变载荷的复杂工作环境,导致轴承非常容易发生多种形式的缺陷。因此,研究针对滚动轴承各种形式故障的有效故障诊断方法既可以及时地对轴承故障提示预警,也可以实时监测设备运行时的健康状态,保障工作环境的安全可靠。本文通过理论研究和实验,开展了基于模态分解与隐马尔可夫模型的滚动轴承故障诊断方法的研究。本文主要工作内容和创新点如下:首先,分析了滚动轴承故障诊断研究的工程实际意义,综述了隐马尔可夫模型（HMM,Hidden Markov Model）的发展及其在故障诊断领域的应用,并阐述了国内外多种特征提取方法与HMM结合的研究。其次,通过介绍马尔可夫链,由简入深的阐述了HMM的理论和算法,并介绍了连续隐马尔可夫模型（CHMM,Continuous HMM）在算法实践中的三个问题及改进方法,最后以CHMM为例介绍了HMM在故障诊断应用中的诊断原理和实现故障诊断的流程。然后,本文主要创新内容,介绍了一种以振动信号无量纲指标为特征参数的经验模态分解（EMD,Empirical Mode Decomposition）特征参数提取方法。其次,通过分析模态分解个数（K值）和惩罚因子（α）在使用过程中的参数设置对变分模态分解（VMD,Variational mode decomposition）结果的影响,提出了两项用于参数优化的指标,“中心频率偏差”用于选择最优K值,“频谱分离指标”用于选择最优惩罚因子,然后利用混沌差分进化算法实现变分模态分解的参数优化,并用参数优化后的VMD进行特征参数的提取。最后,利用美国西储大学和本课题组采集的DPS动力传动故障预测综合实验台的轴承振动信号进行滚动轴承故障诊断实验。通过对实验结果的分析,验证了两种特征参数提取方法与CHMM结合的方式均可以成功识别轴承故障,为滚动轴承故障识别提供了科学依据。