近年来国内外的机械故障诊断技术发展迅速，研究的手段和方法日新月异，其应用已遍及各个工业领域。由于旋转机械结构复杂，故障特征及原因普遍存在模糊性和复杂性，对其实施故障诊断比较困难，尽管人们对其开展了不少研究并取得了一些研究成果，但总的诊断水平还不是很高，这与其在生产中广泛应用的现状极不相符。因此，对旋转机械开展故障诊断研究具有十分重要的意义。本文研究工作就是在这个技术背景下展开的。 研究了旋转机械振动信号的消噪方法和特征提取方法。针对旋转机械振动信号的非平稳性及特征难以提取的特点，通过对小波变换技术的进一步研究，提出旋转机械振动信号处理的小波基函数选择原则及小波包消噪的软阀值原则。利用小波包变换对旋转机械振动信号进行消噪处理和特征提取。并以“能量”为元素，构造旋转机械振动信号的特征向量，从而为旋转机械振动信号的故障特征提取以及后续的故障智能诊断提供了一种便捷的处理方法。旋转机械质量不平衡和油膜涡动故障的振动信号分析结果进一步验证了这种方法的可行性和有效性。 研究了神经网络和模糊系统的故障诊断方法。模糊系统缺乏自学习能力，隶属度函数和模糊规则的选取带有一定的主观性且依赖于专家；神经网络所获得的输入／输出关系无法用容易被人接受的方式表示出来，存在非此即彼的绝对性，使诊断结果与实际情况不符。针对以上缺点，通过对神经网络和模糊系统的结合方式的研究，提出了一种基于模糊神经网络(ANFIS)的旋转机械故障诊断方法，并将其用于旋转机械的故障诊断。实验结果表明，与常用的神经网络和模糊系统诊断方法相比，该方法能够弥补模糊和神经网络单独应用时所存在的不足，具有更高的诊断准确率。在旋转机械故障诊断领域具有较好的应用前景。 在深入分析旋转机械故障诊断过程的基础上，借助功能强大的MATLAB语言系统及其工具箱，在本论文中完成了旋转机械故障诊断原型软件的开发与设计，并用旋转机械常见故障状态的特征向量数据对其诊断结果的正确性进行了测试，效果良好，证明了此系统具有可用性。