随着机械故障智能诊断系统的发展，知识获取(KA)变得越来越重要。知识获取是人工智能(AI)领域最关键的问题之一，也是机械故障智能诊断系统丞待解决的关键问题。目前各种智能故障诊断专家系统的共同缺陷就是系统拥有的知识量太少，获取知识精度不高。本文针对以上问题，以故障诊断知识获取为中心，对自组织特征映射(SOFM)神经网络在知识获取方面的应用做了研究，本文主要研究工作如下： 1.研究了SOFM网络的算法原理和步骤及其在故障诊断知识获取方面的应用。由于所获取的知识隐藏于网络连接权值中，难以被理解，所以对网络训练结果的可视化方法进行研究，应用 U-矩阵法和在此基础上改进的可视化方法对诊断结果进行直观的表达。 2.探讨了小波分析理论，对小波包变换(WPT)用于信号的分解和重构进行了研究，在此基础上探讨了一种利用小波包变换提取信号能量特征的方法，它能够有效地对非线性相关的高维数据进行降维和特征提取。 3.针对时域特征和SOFM结合的知识获取方法中存在的不足，提出了一种基于小波．SOFM的知识获取模型，能够进一步提高获取知识的精确度。 4.以滚动轴承故障诊断知识获取为例，介绍了小波-SOFM 方法在故障诊断知识自动获取方面的应用，并和时域特征为输入向量的方法做了比照，验证了该方法的有效性。之后，以滚动轴承为研究对象，以 MATLAB 为开发工具，结合 SOMToolbox 2.0 工具箱，开发了一个以小波-SOFM 自动知识获取模型为核心简单的滚动轴承故障诊断系统。 最后，对全文作了总结回顾，归纳了本文解决的问题，指出了SOFM的在机械故障诊断知识获取方面今后值得关注和深入研究的方向。