在矿山企业的大型机电设备中,矿用减速器在生产过程中承担着传递动力的关键作用,减速器的正常运行对矿山企业的安全生产具有重要意义。滚动轴承作为矿用减速器的关键部件,常在大负荷、连续长时间运转或维护保养不及时等工况下运行,因此容易受到损害。滚动轴承故障不仅影响减速器的正常工作,造成企业计划外的停机停产,还可能会因为机电设备故障导致井下通风、供排水、运煤运矸等环节宕机带来安全生产事故,严重情况时更会对井下工作人员人身安全带来威胁。因此研究并建立矿用减速器轴承故障诊断系统对于减少事故发生、保障设备平稳运行具有重要现实意义。本文对矿用减速器轴承的故障类型展开深入研究,并为实现在复杂工况环境下有效采集信号设计了一种信号采集硬件平台。该信号采集平台能够高速采集减速器滚动轴承的振动数据,并可通过以太网或RS485等接口将监测数据上传至地面工控机。依据滚动轴承故障数据特征特点,采用小波包变换技术提取振动信号分解后重构的能量值,利用各个频带的能量值占比构建特征向量。采用支持向量机（Support Vector Machine,SVM）分类模型识别滚动轴承故障特征。由于SVM的分类效果依赖于关键参数的选取,因此本文提出利用贝叶斯优化算法（Bayesian Optimization Algorithm,BOA）寻找SVM的最优参数值,并建立一种基于小波包分解能量算法特征提取与BOA-SVM相结合的故障诊断模型。为了验证本文所提故障诊断方法的有效性,除采用贝叶斯优化算法外,还分别利用粒子群算法（Particle Swarm Optimization,PSO）及遗传算法（Genetic Algorithm,GA）对支持向量机的关键参数进行优化。通过对比PSO-SVM和GA-SVM分类模型的实验结果,发现BOA-SVM分类模型能够更加快速的诊断轴承故障,并且有效提高了故障诊断的准确率。从而表明本文在研究滚动轴承的故障分析及矿用减速器的故障诊断领域具有一定的理论研究意义与实用价值。