滚动轴承是旋转机械中最为常见也是最易损坏的部件之一。滚动轴承故障会导致机器产生异常振动和噪声，甚至引起机器损坏和人员伤亡等重大事故。因此研究轴承的故障诊断与监测具有十分重要的意义。本文采用隐马尔可夫模型(Hidden Markov Model,HMM)对滚动轴承的故障进行检测和诊断。其基本方法是通过对训练信号进行特征提取和标量量化,建立具有相应状态数和观察值数的隐Markov模型,然后利用该模型计算待测信号与训练信号相似概率根据相似概率中的最大值及相应模型判断信号的状态,从而达到信号模式分类目的。本文的研究工作是利用HMM进行滚动轴承的故障部位与故障程度识别,包括以下内容:　　1)学习和研究了HMM的基本理论,探讨了HMM解决的问题及相关算法。针对HMM在故障诊断中的应用中存在的问题,对HMM中的相关算法进行了改进。结合HMM在语音识别中完善的理论及成功的应用,分析了HMM在故障诊断识别应用的可行性。　　2)阐述了滚动轴承常见的故障模式及形成原因,对正常、不同故障类型、不同故障程度滚动轴承的振动特性进行了分析。介绍了滚动轴承模拟故障试验及其振动信号的采集过程,采集了正常和外圈、内圈、滚动体的剥落及不同故障程度的滚动轴承信号。　　3)针对滚动轴承振动信号的非平稳性、调制以及易受背景噪声干扰等特点,研究了信号常用时、频域指标及小波包能量谱分解,并介绍了相关特征参数的物理意义,从不同的角度对故障信号进行刻画。　　4)结合HMM在滚动轴承故障诊断中的应用,介绍了具体实施步骤。对于滚动轴承故障部位与故障程度,分别进行了时、频域指标和小波包能量谱特征指标,结合HMM进行了故障识别实验验证。同时对基于小波包能量谱-HMM的故障识别方法中的特征参量进行了优化，结果表明建立更稳定可靠的模型，识别率高，计算量小。诊断实例表明，本文所提出的方法具有一定的实际意义和学术价值。