现代化旋转机械设备的部件之间衔接和耦合非常紧密。当某一个零部件发生故障时，整台机械设备、甚至整条生产线都将受到重大影响，由此会带来无法估量的经济损失，更严重的还可能造成不必要的人员伤亡。滚动轴承作为旋转机械的主用部件，其故障状态评价涉及到相互关联的众多因素，只对滚动轴承的运行状态分为“正常”和“故障”两种状态是不够的，实现滚动轴承的故障状态评价成为迫切需要解决的问题。在阅读分析了大量关于机器学习的故障诊断方法的之后，本文提出一种对BP神经网络的改进算法——基于卡尔曼滤波思想的BP神经网络，针对传统BP神经网络容易陷入局部最优的缺点，将输出层值和期望值相关的数据作为新信息，反馈给输入层，得到改进的BP神经网络算法；针对一些实际应用中支持向量机不能将样本明确地归为某一类的缺点，本文提出了实现支持向量机的软输出的方法，即去掉输出层节点符号函数的限制，使得样本能够以某一概率属于某一类。另外，本文基于模糊集理论提出了健康度的概念，从而在这两种机器学习方法拟合隶属函数的基础上，得到故障状态评价算法。在MATLAB平台下进行仿真实验，针对滚动轴承的特点，本文用测量灵敏度的方法来提取特征参数，运用机器学习的方法（BP神经网络或支持向量机）计算滚动轴承对各个模糊集合的隶属度，然后由隶属度到健康度的映射关系得到滚动轴承的健康度，确定滚动轴承故障状况等级，并给出了滚动轴承的状态评价结果。这有利于分析有关状态的情况及发展趋势并对滚动轴承做出干预决策。