滚动轴承是机械设备的重要部件，长期在复杂工况下服役，一旦发生劣化、损坏，存在重大安全隐患。针对其振动信号存在非线性、非平稳特性与状态难以识别的问题，若能及时对其进行状态监测、有效诊断，对设备的安全、高效、稳定运行具有重要的意义。　　本文以滚动轴承为研究对象，基于小波包、集合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)、排列熵(Permutation Entropy, PE)、分层的核极限学习机(Hierarchical Kernel Extreme Learning Machine, H-K-ELM)等方法理论，采用理论算法研究与实验数据验证相结合的总体思路，主要研究滚动轴承运行过程中的状态识别算法。　　具体研究内容：滚动轴承的排列熵值特征提取方法和分层的核极限学习机状态识别方法。　　1.特征提取方面：首先，采用EEMD的方法对信号进行分解，获得表征信号内在特征的本征模式分量(Intrinsic Mode Function, IMF)分量；其次，求取各IMF分量的排列熵值，以此来构建高维特征向量集。　　2.状态识别方面：先利用高斯核函数的内积来表达ELM算法的隐含层输出函数，自适应确定隐含层节点数；然后使用自动编码器对其分层，使隐含层阈值与输入权值满足正交条件，消除其随机性。　　3.利用美国凯斯西储大学滚动轴承实验数据验证了上述方法的有效性。在此基础上，使用内蒙古自治区机电系统智能诊断与控制重点实验室的LMS Test.Lab数据采集仪与美国Spectra Quest公司DDS机械故障综合模拟试验台搭建测试系统进行实验，完成了数据采集。其次利用上述所提的方法建立了基于H-K-ELM的滚动轴承状态辨识模型，为了对比分析验证所构建的模型的有效性，将提取的各IMFs分量的排列熵作为本模型与其它模型的输入，进行滚动轴承故障的识别。以期为滚动轴承的故障诊断提供了一种新的有效的途径。