在构建高效的数据驱动型旋转机械故障诊断模型中,由于收集故障样本的成本过高,往往造成小样本（或不平衡样本）诊断问题,甚至样本标签缺失,再加上噪声的影响,这些都增大了旋转机械故障诊断的难度。得益于快速且充分学习小样本中边界信息的能力,可拓神经网络算法是一种擅长于小样本分类和聚类问题的算法,在故障诊断领域逐渐得到了应用。因此,首先,基于分类型可拓神经网络算法（ENN）,为了进一步提高其分类诊断精度和减少迭代时长,引入特征权重因子,改进其网络结构和关联函数设计,提出了特征熵可拓神经网络算法（W-ENN）,并以汽轮发电机组故障诊断为例,构建基于W-ENN的分类故障诊断模型,通过UCI数据集和汽轮发电机组故障数据验证了该模型的小样本诊断能力的优越性和较强的噪声耐受能力。其次,针对聚类型可拓神经网络算法（ENN-2）聚类效果不稳定的缺点,改进其关联函数形式,并重新设计了算法迭代方式,提出了关联聚类可拓神经网络算法（LENN）,并基于该算法,构建了基于变分模态分解相关系数降噪和LENN的聚类故障诊断模型,并在人工数据集和凯斯西储大学滚动轴承故障数据集上证明了所提出模型具有更强的聚类判别能力、更稳定的聚类效果、更短的诊断时间和更强的处理不均衡数据集的能力。最后,基于提出的以上分类诊断和聚类诊断模型,设计并开发了旋转机械故障诊断系统,实现了旋转机械智能诊断和诊断过程可视化,增强了数据驱动的故障诊断过程的可解释性。