本文介绍了旋转机械故障诊断的背景、发展和故障机理等基础知识,概括了常用故障诊断的方法,着重研究了二十世纪六十年代初迅速发展的方法——支持向量机(SVM),详细介绍了支持向量机目前存在的六个问题：特征提取与选择、训练样本的选择、参数优化问题、不平衡样本问题、多分类问题、多故障问题。并就目前的解决办法做了详细的叙述。针对特征选择问题根据信息熵的大小来判断其稳定性,首先选择几种故障的n种特征属性,并建立决策表,计算信息熵,信息熵最大的去掉,认为是冗余的特征。剩余的特征作为特征向量,将此特征向量输入支持向量机(SVM)进行故障识别。并用方差的方法进行比较,方差大的说明特征不稳定去掉,最后的仿真结果证明信息熵的方法可以实现故障的正确分类,效果良好。针对不平衡样本的问题,引入遗传算法,通过遗传算法的交叉和变异来增加少类样本来达到和多类样本平衡的目的,并选取几种属性作为特征向量输入支持向量机(SVM)进行故障识别,并与不平衡样本时的情况进行对比,实验表明引入遗传算法能够实现故障的正确分类,达到分类的目的。