滚动轴承是旋转机械中最常用的部件之一。它的正常工作状态直接影响到整个设备的性能,甚至影响到整个生产线的安全生产。因此,滚动轴承状态监测与故障诊断技术的研究对于避免事故的发生,改革检修体制具有重要的理论价值和现实意义。本文以滚动轴承为研究对象,针对滚动轴承故障诊断中的关键问题,如特征值提取和模式识别模型等,从轴承振动信号处理方面进行了一系列的研究工作^[1]。首先介绍了本课题的研究背景和意义,综述了滚动轴承诊断信息获取、故障特征提取和故障模式识别的国内外研究现状。并在此基础上,确立了本文的研究思路和内容。分析了滚动轴承的基本结构和振动机理,列举了滚动轴承的主要失效形式和原因^[1],为研究轴承故障诊断与模式识别做了扎实的基础工作。其次采用了自适应小波阈值降噪方法,根据本文使用的凯斯西储大学电气实验室的数据执行。比较正常轴承状况,轴承内圈故障,滚动体故障和轴承外圈故障这四个状态前后的降噪信号。证明了小波自适应阈值降噪的可行性。接着选取熵分析法,为了研究轴承故障特征提取问题,提取了滚动轴承的振动特征。分别分析了近似熵,信息熵,样本熵,排列熵的方法原理,根据滚动轴承数据,选取了区别度最高的两种熵进行研究,即排列熵和近似熵。再对数据的时域信号,频域信号,包络信号进行分析,轴承信号的多域特征值提取,提取的时域熵,频域熵和包络熵特征值被组合为特征向量中作为分类模型^[2]的输入,并输入到识别模型中并测试。最后,将多域特征向量输入支持向量机模型（SVM模型）并使用粒子群优化（PSO）算法找到RBF内核中参数的最优解后,进行支持向量机模型（SVM模型）和PSO-SVM模型之间的功能比较并分析得出结论。分析实验结果,通过SVM和PSO-SVM模型对比与多域熵特征向量作为输入下故障识别准确率,可以断定,PSO-SVM模型具有较强的自适应能力,不需要人工设置参数,具有较高的识别率。当使用多域特征向量作为输入时,时域特征向量分类效果更好,识别度更高,包络特征向量次之,频域特征向量相比之下最差。通过这种多域特征向量作为输入和SVM与PSO-SVM两种模型进行对比的方式更全面系统的研究了滚动轴承故障识别模型。