随着自动化技术和工业化大生产的迅猛发展，机械设备对稳定性和寿命的要求也迅猛提高。为了达到这一目的，必须安排合理且有效的维修策略和计划，这就需要有正确的判定依据。而轴承作为承担着机械设备中润滑，固定等重要作用的组成部件，又是设备中的易损元件，它的健康状况往往决定了机械设备能否正常工作。所以，将轴承的健康状况作为依据，能够建立合理的维修计划，从而达到延长机械设备的使用年限、保持设备可靠性的目的。所以对轴承正确的故障诊断和状态评估有着十分重大的意义。为了达到这个目的，本文根据滚动轴承的结构和运行机理对其故障诊断和状态评估进行了相关的研究。主要包括以下方面：1、首先在回顾了滚动轴承的结构及故障分类知识之后，介绍了滚动轴承故障诊断和状态评估中一些常用方法，包括时域分析和频域分析方法两大类。然后讨论熵和信噪比在故障诊断中的应用。2、介绍了支持向量机原理及其应用于多分类系统中的情况。然后讨论支持向量机这一二分类系统在多分类系统中所使用的投票机制，并对“一对一”投票法进行了改进。在此基础上，讨论了对实际数据使用支持向量机来完成状态分类所需的合适标签值。并使用支持向量机对试验数据进行了状态评估。3、其次在支持向量机能够对滚动轴承进行状态评估的基础上，针对机器学习分类的不准确性，提出了分类结果优化方法。并利用该方法对支持向量机分类结果进行了优化，结果表明利用优化方法可以有效提高滚动轴承状态评估的准确率。4、接着介绍了连续小波分析的原理及其在轴承故障诊断中的优势，并利用连续小波变换构造了morlet小波滤波器族。然后提出了ACFI值来选择合适系数的morlet小波滤波器，来提取轴承振动信号的周期成分。与传统的希尔伯特解调和离散小波分解相比，这种方法在实际试验数据能够更有效的发现早期故障信息。5、最后简要介绍了随即共振的起源及其理论推导，讨论了如何将随机共振数值化计算方法运用到滚动轴承的早期故障诊断之中。对随机共振中双稳态势能阱的参数进行了讨论。并将随机共振运用到轴承试验数据之上。其确实能够加强信号中的周期成分。在此基础上，又引入了（4）中所提到的连续小波变换与ACFI值，讨论了这2种同样是针对信号中的周期成分方法的结合可能性。得到了良好的结果。本篇论文主要是对滚动轴承早期故障诊断中所使用的信号处理方法进行了讨论和新的探索，并在此基础上对轴承的状态评估进行了探索。