滚动轴承作为机械设备中的关键部件,其运行状态的优劣往往影响到整台设备的运行性能。滚动轴承从正常状态到故障往往经历一系列退化状态,正确识别轴承当前所处的退化状态,对预防滚动轴承进一步退化和故障的发生具有重要意义。然而,正确评价和预测滚动轴承的退化状态需要解决两个关键问题：第一,确定合适的工作状态评价指标,反映轴承性能退化过程；第二,建立合适的故障预测模型,根据历史数据进行合理、准确的预测。本文针对以上两个关键问题进行研究,并提出有效的解决方法。自组织映射网络是故障诊断和状态评价中常用的人工神经网络之一。本文通过研究滚动轴承不同工作状态下的HHT包络谱特征,提出一种基于HHT和自组织网络的滚动轴承状态识别方法,试验证明该方法能够有效识别出滚动轴承的五种工作状态。作为可靠的性能退化评价指标,最小量化误差源自于自组织网络模型,它能够充分利用多个特征参数信息对滚动轴承的性能退化过程进行定量评价,滚动轴承内圈故障性能退化试验说明了该方法的有效性。针对滚动轴承性能退化过程受多种因素影响,单一预测模型难以满足预测精度的问题,提出一种基于遗传算法优化神经网络和支持向量机的混合智能趋势预测方法。该方法首先应用自组织网络评价模型得出最小量化误差,作为轴承性能退化评价指标。利用遗传算法优化神经网络的非线性和支持向量机处理小样本的优点,分别进行趋势预测。对两种趋势预测结果进行加权组合,形成混合智能预测模型。最后,以滚动轴承性能退化试验验证该方法的有效性,结果表明该混合模型比单一预测模型的预测精度要高,提高了轴承性能退化趋势预测精度。此外,该方法对于滚动轴承的预知维修和寿命预测具有一定的参考价值。