随着生产的发展，机械故障诊断的重要性越来越明显。传统的诊断技术和理论方法对于具有多故障、多过程、突发性故障的现代化机械设备，往往显示出较大的局限性，难以从大量的故障信息中发现原因和准确地诊断机械故障。而数据挖掘是从大型数据库或数据仓库中发现并提取隐藏在其中的信息的一种新技术，它能从数据仓库中自动分析数据，进行归纳性推理，从中挖掘出潜在的模式；或者产生联想，建立新的业务模型，帮助决策者做出正确的决策。数据挖掘研究和实践表明：知识就隐藏在日常积累下来的大量数据之中，然而仅靠复杂的算法和推理并不能发现知识。人工智能技术，特别是神经网络技术与数据挖掘的结合为机械故障诊断的研究指出了一条新的道路。 首先，本文对机械故障诊断、数据挖掘的研究现状、发展趋势及应用领域进行了综述，阐述了数据挖掘、神经网络的基本概念、基本模型和实现方法。其次，针对数据挖掘具体的研究内容，提出并实现了神经网络数据挖掘中的数据准备的一般处理方法和基于自组织神经网络的聚类分析的模型和算法，并对算法进行了改进。 最后，根据基于神经网络数据挖掘的研究成果，进行了轴承和齿轮的故障诊断研究。研究内容主要包括：问题定义、数据准备和预处理、数据挖掘，以及结果的解释和评估。首先通过传感器测得轴承及齿轮在正常和非正常状态下的信号；然后对所得数据进行归一化；考虑到数据比较庞大，利用曲元分析进行降维；再利用自组织神经网络进行训练，网络对不同状态下的输入具有明显不同的输出。文中利用MATLAB神经网络工具箱来实现上述算法。实例仿真表明，这个算法可以快速正确地提取出轴承与齿轮故障特征值，并通过聚类算法完成轴承与齿轮的故障诊断。基于神经网络数据挖掘方法为机械故障诊断提供了新的思路，它与一般数据挖掘方法相比较，在信息处理能力和表示能力方面有较大提高。