随着科学技术的不断发展,现代社会的生产制造是由自动化机械设备来取代廉价的劳动力。而轴承和齿轮是一些旋转设备的核心部件。轴承和齿轮箱等零部件的损坏情况直接关系到设备的运行状态。现阶段对恒工况下的轴承或者齿轮诊断比较常见,但针对变工况下的诊断相对较少。所以针对变工况轴承和齿轮的故障诊断显得至关重要。本文工作主要分为以下几点:（1）首先阐明了轴承和齿轮箱的结构,在认识其物理结构的基础上剖析了轴承和齿轮箱的常见故障类型,从而进一步了解其振动机制。（2）针对轴承和齿轮箱独有的振动机理和故障表现形式,介绍几种常见的诊断方法并对其进行分析,如时域统计法、频域分析和共振解调分析等。但是这些方法只是在设备匀速运行时有一定的诊断效果。当设备处于加速时就失去了诊断故障的效果。由此引出了针对旋转机械变工况时的故障诊断问题。（3）针对旋转机械变工况故障诊断困难的问题,提出了基于角域重采样特征提取—支持向量机（SVM）的变工况诊断方法。由于采集的信号中含有噪声的干扰,所以采用小波降噪技术对信号进行去噪处理,并分别对小波降噪和角域重采样进行仿真分析。最后对处理过的信号提取其特征参数组成数据集,用该数据集进行分类算法的训练和测试,最终实现故障诊断的功能。（4）基于旋转机械故障模拟实验平台的搭建,对所介绍的分析方法做了大量实验验证。实验主要分为两大组,一组是基于BP神经网络分类算法,一组是基于支持向量机（SVM）分类算法。在同一种分析方法下改变某一实验条件,来分析该条件对故障诊断准确率的影响。最终结果显示基于角域重采样特征提取—SVM的变速振动信号诊断方法准确率最高,并且转速和载重情况对最终的结果均有影响。转速越快、载重越大故障信息越明显,诊断的准确率就越高。（5）以LabVIEW软件开发平台为基础,设计了一套针对变工况旋转机械故障诊断系统。该系统包含了多个分析模块,能够根据实际不同情况相互之间切换。本文分别对轴承和齿轮箱的不同数据类型、不同加速区间和载重进行了多次实验,实验结果表明,提出的基于角域重采样特征提取—SVM的变工况诊断方法准确率最高。转速在1000r/min—1500r/min区间内并且设备加载时,对轴承和齿轮箱的故障诊断准确率分别达到了95%和97%,具有良好的可靠性。