滚动轴承作为精密标准件，因其摩擦系数小，精度高，性价比高，在旋转机械中应用非常广泛。但是，滚动轴承的寿命具有很大的离散性，容易损坏，存在着非常大的安全隐患，近年来，因为滚动轴承的损坏造成重大生命财产损失的事件时有发生。因此，对滚动轴承工作状态进行监测和故障诊断具有很高的实用价值。　　本文首先对滚动轴承的结构、失效形式、振动机理进行分析，给出故障特征频率计算公式。针对振动信号中掺杂着大量噪声信号，提出了相空间重构降噪理论:通过互信息法和Cao法分别计算相空间重构参数时间延迟和嵌入维数，进行信号重构，然后结合奇异值分解降噪改进方法，达到对目标信号降噪的目的。　　针对经验模态分解改进算法-总体平均经验模态分解存在缺陷，本文提出了补充的总体平均经验模态分解的方法。通过和传统的经验模态分解和总体平均经验模态分解方法作对比，证明本方法的优越性。　　把相空间重构降噪理论和总体平均经验模态分解方法相结合，对获得的本征模态分量进行频谱分析，达到对滚动轴承故障进行初步诊断的目的。并且通过对比分析，进一步证明了两种方法结合的优越性。利用希黄变换理论对滚动轴承振动信号进行三维时频谱分析，结果表明:不同类型的滚动轴承故障状态，频率分布区间及幅值分布有很大的不同，因此，划分频率区间，分别提取每个频率区间内的能量值，组成特征向量。分别计算滚动轴承四种工作状态下的特征向量，获得108组样本，为模式识别做准备。　　对概率神经网络结构、原理进行简要分析，利用训练样本对网络进行训练，达到期望误差要求时，把测试样本导入网络进行故障类型识别。研究结果表明，以不同频率区间能量组成的特征向量和概率神经网络相结合，可以达到很好地故障识别效果，故障模式的识别正确率达到100％。