轮毂电机具有效率高、响应快、全时线控等优势,是电动汽车未来产品技术更新换代和推动产业发展的重要基础性技术,也是未来电动汽车的理想动力源。其驱动系统可有效降低整车能耗、提升整车性能、优化空间布置,受到了市场广泛的关注。然而,轮毂电机特殊的安装方式,既难以加装保护装置,又极易诱发局部故障。一旦一个或多个轮毂电机发生故障,局部的输出转矩将会产生剧烈波动,势必导致车辆操纵稳定性及行驶平顺性下降,严重时发生跑偏、引发交通事故甚至危及生命。类似的安全隐患问题成为轮毂电机驱动电动汽车市场化推广的“拦路虎”。为充分发挥轮毂电机驱动系统的优势、满足《机动车运行安全技术条件》（GB 7258-2017）,急需开展轮毂电机故障诊断理论方法研究。轮毂电机是典型的复杂机电系统,其故障类型包括机械故障和电气故障。本文以常见的轮毂电机机械故障——轴承故障为切入点,研究复杂工作环境和多变运行工况下故障特征提取、数据约简和故障诊断方法,提出一种基于模糊人工碳氢网络（Fuzzy Artificial Hydrocarbon Networks,简称F-AHNs）的轮毂电机轴承故障诊断方法,实现轮毂电机轴承故障的有效诊断。首先,考虑车辆真实运行工况下转速和负载转矩对轮毂电机振动信号的影响程度,搭建轮毂电机轴承故障试验台架,定制带有轴承常见损伤故障如外圈损伤、内圈损伤和滚动体损伤的轮毂电机,并设计相应试验方案,采集不同转速和负载转矩下轮毂电机运行状态的监测信号,为后续研究工作奠定基础。其次,为了解决轮毂电机轴承振动信号非平稳、非线性、强干扰等特点导致故障特征提取难的问题,提出一种基于改进经验模态分解（Empirical Mode Decomposition,简称EMD）的故障特征提取方法,将原始信号划分为最小单元,对每一个最小单元信号做EMD分解,分析每个单元的本征模函数（Intrinsic Mode Function,简称IMF）在频域上的相似度,从而获得轮毂电机轴承故障特征。然后,针对原始振动信号计算出的特征参数数据量大、随机性高、区分度低的问题,提出一种基于粗糙集（Rough Set,简称RS）理论的特征参数离散化方法,在不破坏算法分辨关系的前提下,对特征参数进行最粗略的划分,以达到加快机器学习算法运行速度,提高分类精度的目的。最后,针对现有人工碳氢网络（Artificial Hydrocarbon Networks,简称AHNs）诊断模型输出状态值之间存在模糊性、容易出现误判的问题,结合模糊理论,提出一种基于F-AHNs的轮毂电机轴承故障诊断方法,通过建立基于学习后AHNs模型输出状态值的隶属度函数,作为模型的后续诊断部分,并构建F-AHNs诊断模型,有效提高模型的诊断精度。通过与其他分类器比较,验证了本文所提方法的泛化性和鲁棒性。