随着科学技术的发展，机械设备越来越复杂，自动化水平越来越高，机械设备在现代工业生产中的作用和影响越来越大，与其有关的费用越来越高，机器运行中发生的任何故障或失效不仅会造成重大的经济损失，甚至还可能导致人员伤亡。因此，应该及时地对设备故障状态进行监测，使之安全经济地运转。本文以滚动轴承为研究对象，研究了基于自适应Mean Shift聚类算法的机械结构健康状态监测技术。研究了信号的预处理方法：时域指标、频域指标和小波包变换。实验表明：当滚动轴承出现故障时，时域、频域指标都会发生变化，且不同类型损伤和损伤程度不同时，时域和频率指标有明显差别；另外，不同类型损伤的振动信号经小波包变换分解后，其能量分布也表现出不同的特征；因此，提取振动信号的时域、频域和小波包指标可以降低振动信号的维数，有效地描述不同类型的故障状态。研究了基于能量熵的健康状态监测方法，实验表明：小波包能量熵可以有效地鉴别故障状态和损伤程度，可以用来监测滚动轴承健康状态的变化历程。论述了Mean Shift算法的原理，通过实验研究了核函数、核半径以及阈值对聚类算法的影响。核函数影响聚类分析的准确率及算法的迭代次数，对于每一个核函数，聚类算法都存在一个合理的核半径区间，当核半径超出该范围时，聚类的准确率会降低；另外，阈值越小，算法的聚类效果越好。论述了自适应Mean Shift算法（Adaptive Mean Shift,AMS）的原理，通过实验证明了核函数、初始核半径以及迭代次数对聚类算法的影响。使用高斯核函数时，核半径初值的选择对聚类影响较大，使用Epanechnikov核函数时，核半径初值对聚类影响较小，与前者相比，它的分类准确率较低；另外，增大迭代次数，可以改善聚类效果。与MeanShift算法相比，AMS算法具有较好的聚类效果。提出了基于自适应Mean Shift质心偏移的结构健康状态监测方法，该方法将无损伤状态的质心作为基准，用某一状态的质心与基准质心的偏移量判断结构是否发生损伤以及损伤程度。实验表明：与基准质心距离越远，结构的损伤程度越严重。因此用质心偏移量可以有效地评估结构的健康状态。