旋转机械故障诊断技术已在国内外得到了非常高的重视,虽然各种诊断方法都得到广泛的发展并且成果丰硕,但是鲜少有人考虑到故障信号的不完备性,而事实上,此类情况在实际应用中经常遇到,所以本文在充分考虑故障信号的不完备性的基础上,将目前受到广泛重视的仿生模式识别引用到机械故障诊断中,为机械故障诊断技术的发展指出一个新的解决问题的方案。论文首先分别采用回归填补法、EM(最大期望)填补法,以及基于马尔科夫蒙特卡罗的多重填补法处理不完备数据,分析各种填补法对不完备数据模式识别效果的影响。然后探究仿生模式识别的原理,编写了仿生模式识别的两种神经网络实现程序——超香肠神经网络和双权值神经网络,并用多个标准数据集对程序进行测试,结果表明在大多数情况下,超香肠神经网络和双权值神经网络的识别结果在一定程度上优于传统模式识别中的BP(误差反向传播)网络和RBF(径向基)网络。最后将本文仿生模式识别算法应用于旋转机械故障诊断中,并将诊断过程和结果与传统人工神经网络(BP神经网络和RBF神经网络)进行对比分析,结果表明仿生模式识别在旋转机械故障诊断中是一种可行并且高效的诊断方法。同时,本文还探究了故障数据在不同缺失率下,各种填补方法对仿生模式识别诊断结果的影响,为实际应用中不完备故障数据填补方法的选择提供一定的参考。