滚动轴承作为传统机械零部件之一,在旋转机械中起到了重要的支撑传动作用。在我国机械产业化发展的道路上,滚动轴承也起到了举足轻重的作用。如在高速列车的行驶过程中,列车行驶的稳定性及安全性很大程度依赖于关键零部件(滚动轴承)的可靠程度。但同时,滚动轴承作为旋转传动部件,其自身也存在耐冲击能力较差的问题,在突发性异常冲击作用下时常发生不可逆损伤。同时,轴承在实际工况中工作环境也相对恶劣,环境温度过高,压力过大,及长时间超负荷运行都会进一步加剧轴承的疲劳磨损及裂纹的恶化。如何在滚动轴承出现故障的初期以较小样本量诊断出轴承的故障位置以及程度信息,这对保障设备的平稳运行以及操作工人的人生安全都有着重大的研究意义。针对上述问题,本文首先在传统变量预测模型(Variable predictive model based on class discriminate,VPMCD)分类器的基础上,分析了其由于其背后的最小二乘回归算法而在分类精度上受限于特征空间的分布的问题。并在现有基础上,提出三种替代方案,分别对比三种鲁棒性更好的且基于高斯函数的回归算法对VPMCD在性能上的提升。其后,考虑到特征预处理方式对于滚动轴承故障识别的重要性,本文进一步分析了两种常用的方法:归一化和标准化。通过实验对比分析,这两种方法在VPMCD故障识别过程中的优劣性,以及相应的改进方案对于这两种预处理方法的鲁棒性。最后,考虑到滚动轴承在发生故障时,会在不同的故障频率带激发出故障频率信号,本文将duffing混沌振子引入了进轴承故障识别领域。通过设置检测不同频率的duffing系统,通过相轨迹的变化对轴承的故障进行一个初步分析。并且提出一种全新的相轨迹量化特征,分析了该特征的分布与滚动轴承的故障位置的关联性,和其作为训练集时,在VPMCD模式识别过程中的贡献。其中本文的主要创新点在于:(1)研究了VPMCD的基本理论以及其采用的最小二乘回归算法。针对最小二乘回归算法对于训练样本的正态分布需要的依耐性,本文提出了利用核岭回归,支持向量回归以及贝叶斯岭回归三种回归算法对原始回归算法进行替代。结果表明,增强后的VPMCD能实现在训练阶段的快速收敛,并且在未损失其时效性的基础上,显著提升分类精度。(2)研究分析了两种经典特征预处理方法对于VPMCD模式识别的具体影响。对相同的特征集分别进行归一化以及标准化预处理后,发现归一化预处理方式易受特征空间中的异常样本影响。但基于贝叶斯岭回归的VPMCD对于特征样本的分布受影响较小,其在两种情况下,分类精度相差甚少。而对于基于支持向量回归或者核岭回归的VPMCD的显示出对与特征标准化处理的偏好性。(3)研究基于duffing混沌振子的弱信号检测机理并提出一种全新的量化特征。通过将不同故障频率信号通过经验小波分解进行盲源分离之后,将提纯信号输入临界状态的duffing系统进行弱信号量化检测。之后,对相轨迹进行k-mean离散化处理,统计其离散后熵值。(4)将对应于三个故障频率的duffing相轨迹的离散熵值特征引入原有的RQA特征集中,分析其在实际工况下对于轴承故障识别的贡献。并且通过肯德尔相关系数分析特征之间的相关性,进而验证新特征的独立性。通过实验验证分析,发现改进的VPMCD算法在几乎不牺牲计算效率的基础上,不论是针对小样本问题的处理,还是针对整体的分类精度及稳定性,都相较于原算法有了明显的提升。并且,随着新特征的加入,分类器的各项性能有了近一步的增强。