滚动轴承的运行状态影响着整个设备的稳定和安全,因此对滚动轴承的故障监测与性能退化的评估具有一定的意义。本文以滚动轴承为研究对象,首先提出了改进多尺度摘(Improved Multiscale Sample Entropy,IMSE)的特征提取方法,结合机器学习相关理论识别滚动轴承的故障;其次,提出了改进信息熵(Improved Information Entropy,ⅡE)的性能退化指标,对滚动轴承的性能变化趋势进行评估。在轴承故障诊断研究过程中,针对样本熵在度量向量相似性过程中的信息遗漏问题,提出了IMSE算法,用于滚动轴承故障特征的提取。该算法基于勾股定理思想与向量间相似性的度量准则,将改进样本熵(Improved Sample Entropy,ISE)经过多尺度化分析,计算出轴承振动信号的IMSE,并由支持向量机(Support Vector Machine,SVM)分类器辨识出滚动轴承的故障类型。实验结果表明,该方法对滚动轴承故障类型辨识的精度较多尺度熵和样本熵方法有一定的提升。另外,采用基于ⅡE的非线性分析方法,用于滚动轴承的性能退化和评估。该算法在构造特殊概率质量函数的基础上,计算其信息熵,并对得到的信息熵进行标准化分析,获得反映轴承性能退化的评估指标ⅡE参数。该参数反映了一维时间序列的复杂性,对于信号变化的敏感性很强,并对不同类型的信号具有一定的区分度,可有效的检测滚动轴承的早期故障。实验结果表明,该方法在提取轴承运行状态的敏感特性方面非常有效,运行时间快,参数少。本文基于美国凯斯西储大学(CWRU)轴承实验数据和辛辛那提大学智能维护中心滚动轴承的全寿命振动数据,以及实验室收集的滚动轴承的试验数据,验证了本文所提出方法的有效性。本文的研究表明,基于IMSE算法能有效的提取出反映滚动轴承运行状态的敏感特征,能够识别出滚动轴承振动信号中的故障信息;而基于ⅡE特征参数的轴承性能退化与评估方法,为预测滚动轴承的全寿命性能退化趋势提供了新的研究思路。