滚动轴承作为工业现场旋转机械中广泛使用的重要零部件之一，其自身的运行状态直接影响到旋转机械设备的工作性能，甚至关系到整条生产线的运作性能。因此，对滚动轴承所处的状态进行检测、识别显得尤为重要。　　工业现场滚动轴承的实际状态往往具备复杂性和不确定性，针对于此，本文进行了贝叶斯网络（Bayesian Network，BN）在滚动轴承故障诊断中建模以及推理的应用研究。在对滚动轴承的故障机理进行了分析、研究的基础上，提出了一种故障特征向量提取方法，并将其与BN推理模型相结合，实现了对滚动轴承的故障诊断。由于实际获得的故障数据数量常常是有限、甚至是稀缺的，而传统的BN参数学习算法无法在该实际情况下学习出较为精确的BN推理模型参数，针对此问题，本文还研究了稀缺样本数据集下BN参数的学习，提出了一种改进型定性最大后验概率(Improved Qualitative Maximum Posteriori，IQMAP）参数学习算法；最终，将IQMAP算法应用于BN建模，验证了该算法在滚动轴承故障诊断应用中的有效性。研究的主要工作包括以下几个方面：　　（1）提出了一种滚动轴承故障诊断模型的特征向量提取方法，该方法实现了对滚动轴承诊断模型建模所需数据的预处理。原始振动信号不适宜直接作为人工智能模型的输入，因而需要对原始振动信号进行特征向量提取。因此，本文设计了特征向量提取函数。首先，将采集到的原始振动信号进行小波包分解，获得特征分量；然后，利用本文所设计的特征提取函数从特征分量中提取出第一特征向量。为加快BN推理速率，提高诊断推理的实时性，需要对输入节点的特征向量进行离散化，本文还设计了相应的离散化函数来离散化第一特征向量，形成推理模型的特征向量，该特征向量能够直接用于BN建模以及作为BN诊断、推理的输入。　　（2）提出了一种基于 BN的滚动轴承故障诊断方法，此方法较准确地实现了滚动轴承故障诊断。在样本数据完整、充足的情况下，利用本文所设计的特征向量提取方法提取出代表滚动轴承状态的特征向量，并将特征向量分为训练特征向量和待诊断特征向量。首先，利用最大似然估计法根据训练特征向量训练出BN参数模型，并在此基础上建立BN模型。其次，将待诊断特征向量输入已建立好的BN模型中，利用成熟的联结树（Junction Tree，JT）推理算法实现滚动轴承故障诊断、推理。在相同条件下，本文也采用BP神经网络方法进行滚动轴承故障诊断。通过对比得知：本文所设计的故障诊断方法的正判率较高，表明了本文滚动轴承故障诊断方法的有效性。　　（3）进行了部分特征向量缺失时的滚动轴承故障诊断推理研究。在实际中，考虑到现场传感器或通信过程丢失数据的情况时有发生，会致使滚动轴承的特征向量缺失。因此，本文利用BN能够在证据不充分条件下进行推理的优点，进行了在部分特征向量缺失时的滚动轴承故障诊断推理实验，实验结果表明基于BN的滚动轴承故障诊断方法具有良好的鲁棒性。　　（4）针对传统 BN参数学习算法在样本数据集稀缺时学习结果不精确的问题，提出一种IQMAP参数学习算法。对现有BN参数学习算法进行了研究，发现定性最大后验概率能够结合虚拟采样次数与实际样本数据进行参数学习，但由于稀缺样本数据集的波动性，QMAP参数学习结果易出现违反专家经验的情况。因此，本文提出一种将凸优化与 QMAP相结合的改进BN参数学习算法——IQMAP算法。首先，将样本数据集的特征向量利用先验约束条件进行凸优化，形成包含于较为精确且满足专家经验可行域的第一参数；之后，将该第一参数融入 QMAP参数学习算法进行参数学习。实验仿真表明该算法能够在样本数据集稀缺时学习出较为精确的BN参数，进而完成样本数据集稀缺时BN模型的建立。　　（5）验证了 IQMAP算法在滚动轴承故障诊断中的有效性。首先，利用IQMAP算法进行样本数据集稀缺时滚动轴承BN参数建模；然后，利用JT算法对建立好的 BN模型进行滚动轴承故障诊断、推理。实验结果表明IQMAP算法在滚动轴承故障诊断应用中具有令人满意的效果，从而可以实现在样本数据集相对稀缺的情况下进行滚动轴承的故障诊断。