滚动轴承是旋转机械中非常关键的部件，其非常容易损坏，由于其寿命具有较大的离散性，对其定期全部检修更换，高于其额定寿命的产生浪费;低于其额定寿命的则可能在检修前发生故障，具有较大的安全隐患，故研究滚动轴承的早期故障诊断具有很高的实用价值。　　 本文对滚动轴承的振动机理进行了剖析，介绍了滚动轴承的常见失效形式，研究了其故障振动信号的特征。针对传统的时频分析方法处理非平稳信号具有自身的局限性;而具有自适应性的经验模态分解法适合处理像滚动轴承故障振动信号这样的非平稳信号，但是在信号存在间歇性冲击时存在模态混叠，提出了集成经验模态分解法。　　 滚动轴承早期故障的振动信号处理中，微弱的故障特征信息被淹没在强大的噪声背景中，使得轴承故障特征信息提取困难，影响轴承故障的诊断和识别，提出了在轴承振动信号处理前需要对振动信号进行小波半软阈值的去噪，较好地保留了信号的有用特征，去除了噪声杂质，优于传统的小波软、硬阈值去噪。　　 为了提取滚动轴承早期局部损伤类故障特征，有效地解决传统信号包络的带通滤波器具有中心频率和带宽的选择不确定性的问题，提出了一种以信号的相关性为判据，获取总体经验模式分解(EEMD)的最佳IMF分量，并对其进行hilbert包络解调获取故障特征频率的EEMD-hilbert包络解调方法。使用EEMD对振动信号进行分解，获取IMF特征能量矩和和相应振动信号的峭度因子。　　 将IMF能量矩分别输入普通BP神经网络和LM优化神经网络进行训练，验证了相比较普通BP神经网络来说，LM优化算法BP神经训练速度更快，并且可以满足期望误差要求;分别单独采用IMF能量矩特征向量以及IMF能量矩特征向量和峭度因子共同作为LM优化法BP神经网络的输入，进行滚动轴承故障的诊断。研究结果表明，以IMF能量矩特征向量和峭度因子共同作为LM优化法BP神经网络的输入，取得了更好的故障识别效果，故障模式识别率达到100％。