随着机械设备日趋大型化、高速化、自动化,使得设备组成和结构越来越复杂,各部分之间的联系更加紧密。对机械设备及其每一个零部件的工作可靠性都提出了极高的要求。提高故障诊断的自动化和智能化成为当今复杂机电系统故障诊断领域的研究热点。故障模式识别方法是影响故障诊断效果的关键之一,因此故障模式识别方法的研究具有理论价值和实际意义。本文研究在已提取故障特征数据基础上进行故障模式识别的方法。针对工程实际中故障样本少、故障类别多、故障特征复杂等问题,研究粗糙集、支持向量机、神经网络等在旋转机械故障模式识别中的应用。主要研究工作如下：1)在基于粗糙集的模式识别方法中,需要对获取的特征数据进行离散化。自组织特征映射神经网络是常用的离散化方法,但需要事先确定聚类的数目,由于实际工程对象的复杂性,聚类数目往往难以直观确定。本文提出了采用自组织特征映射神经网络优化聚类方法进行离散化,根据特征数据的统计特性自动确定聚类数目,可以实现聚类数目的自动确定和优化。2)针对经典粗糙集抗干扰能力差和泛化能力差的问题,在分析其导致诊断错误的原因的基础上,提出了采用变精度粗糙集的故障模式分类方法,其中变精度阈值参数的取值范围由提取的特征数据的错分率来确定,提高了故障诊断的抗干扰能力和泛化能力,并用实例进行验证。3)在小样本条件下的多故障模式识别中,常采用最小二乘支持向量机方法,但是其模型中的惩罚参数和核函数参数的选取依赖于使用者的经验,如果参数选取不当将极大地影响故障识别的精度。针对这一问题,提出采用基于参数优化的最小二乘支持向量机方法,该方法充分利用特征数据提供的信息,通过启发式方法自动调整参数,得到优化的分类模型,提高了故障分类精度,并进行实例验证。4)故障模式识别时,若用到的故障特征数目过多会产生冗余数据,使得分类器结构复杂,从而导致分类效果恶化。针对这一问题,提出了粗糙最小二乘支持向量机故障模式识别方法,首先利用粗糙集的约简能力,选择有效故障特征,再由具有参数优化功能的最小二乘支持向量机进行故障模式识别,实例分析表明该方法具有很强的抗干扰能力和泛化能力。