数控机床故障诊断及维护是机床调试和使用过程中的重要组成部分,是目前制约数控机床发挥正常作用的主要因素之一。现有数控机床故障自诊断系统能够诊断常见电器系统故障及简单的与系统相连部件的故障,但故障出现率较高且引起机床加工质量下降的机械类故障的自诊断基本上还是盲点,而主轴组件的故障在此类故障中占了相当比重,这也一直是国内外数控机床故障诊断领域的难题。本文针对性提出从软计算理论的全新视角解决该问题,对在获取故障知识的数据准备阶段和知识发现阶段的几个关键问题展开了较为深入的研究和探索。在知识获取的数据准备阶段,进行了两个方面的研究工作。首先选取数控机床主轴系统的两大组件即滚动轴承和齿轮作为研究对象,通过对比分析它们与一般机械振动的机理后得到结论,即滚动轴承故障主要表现为表面磨损和剥落,而主轴齿轮最主要的故障来源于运动中产生的齿面均匀磨损和局部剥落故障。对前者,在进行知识获取过程提取特征时可以用基频及其整数或分数倍频处幅值为特征参数；对后者,可以依据振动信号啮合频率及其两侧产生的边频带的组合频谱诊断故障。针对主轴齿轮故障数据获取时的测点布置优化问题,采用有限元建模分析和谐响应分析,确定出主轴箱振动测点的理论最佳位置。搭建了以上两种组件故障模拟实验系统,为后续研究工作获取原始数据做了准备。其次,从数据采集和处理角度,特别提出使用一个三阶低通巴特沃斯滤波器和一个三阶高通巴特沃斯滤波器建立的带通滤波器进行滤波,并对该滤波过程进行了数学分析；为了实现将传感器获取数据的融合,针对单一传感器数据融合的时问性问题,提出了结合算术均值与递推估计的数据融合方法,获得了比算术平均值更可靠的测量结果,而针对多传感器数据融合的空间性问题,提出一种多传感器数据的加权融合算法,不同的传感器按照相应的权数,在总均方误差最小这一最优条件下,根据各个传感器所得到的测量值以自适应的方式寻找其对应的权数,使融合后的数据结果达到最优,并提出采用信息熵来评价数据融合的效果。在故障数据的知识发现过程阶段,分别对两种组件的故障采取不同软计算方法获取了故障知识规则,实现了故障诊断。针对滚动轴承故障实验所获取数据,分别运用基于等间距聚类与属性重要度约简算法和基于k-均值聚类与区分矩阵约简算法,均实现表面磨损和剥落故障及正常状态三种模式的知识及规则的获取。针对数控机床主轴齿轮的典型故障诊断,构建了一种具有三层网络结构模型的BP神经网络,经过实验数据样本的训练和仿真,实例结果验证了该方法可以实现对齿轮齿面均匀磨损故障、齿面局部剥落故障以及正常状态的识别。