研究轴承的故障预警与诊断技术,对保障机械设备安全可靠及预防突发事故具有十分重要的意义。本文从工程实际需求出发,以轴承的振动信号为研究对象,研究小波包分解、经验模态分解、谱峭度、可视图变换、谱编码等信号处理方法及其对早期微弱故障、强背景噪声下、变工况下特征提取中的应用,在此基础上,结合增量支持向量数据描述、K最近邻、多标签K最近邻、半监督分类等机器学习算法,实现故障预警及复杂场景下的故障诊断。论文主要研究内容有:（1）综合多种信号处理方法的特征,提出了一种面向旋转机械振动信号特征提取的一般架构,为构建旋转机械振动信号特征提取方法提供了一种新思路。（2）针对滚动轴承早期微弱故障难以提取,提出了基于小波包滤波与谱编码的早期故障特征提取方法。该方法将峭度指标引入小波包分解分量的选取中,以选取分量中包含故障成分的信号,再对多个信号的平方包络谱做平均,进一步抑制随机成分的影响。然后,选取频谱中转频及故障特征频率处的幅值组成特征向量。针对仅有正常样本的故障辨识问题,提出了一种基于增量式支持向量数据描述（increment-Support-Vector-Data-Description,inc-SVDD）在线状态辨识方法。轴承全寿命周期实验结果表明,基于小波包滤波与谱编码特征提取方法能有效提取轴承早期故障特征,基于增量式支持向量数据描述的模型能适应具有不同寿命长度的轴承早期故障预警。（3）针对强噪声引起的故障特提取难的问题,提出了结合经验模态分解滤波方法与tile-coding谱编码的特征提取方法,将峭度与相关系数融合成的指标引入到分量的选取中,达到选取包含故障成分分量的目的。平均若干选取信号的平方包络谱,进一步抑制频谱中的随机成分。然后,利用基于tile-coding的谱编码方法对频谱进行编码,在尽可能保留谱信息的同时达到数据降维的目的。不同信噪比下实验表明,该方法能有效提取强噪声背景下的故障特征。（4）针对变工况引起的特征提取难的问题,提出了一种对变工况不敏感的可视图特征提取方法,将振动信号转化为可视图信号,并提取可视图的相关特征作为振动信号的特征,仿真实验结果表明该方法对变工况具有较好的鲁棒性。针对类别样本不平衡的训练数据造成分类器对少数类样本识别率低的问题,提出了一种改进的半监督分类算法,利用双变量的目标函数与规范化标签变量来平衡类别的影响,提高少数类样本在模型训练中的权重,从而提升少数类样本分类准确率。实验结果验证了所提方法的有效性和优越性。（5）针对轴承故障与转子不平衡并发的故障场景,提出了一种基于谱峭度滤波和对数tile-coding谱编码的特征提取方法,该方法利用谱峭度方法提取包含故障成分的分量,利用对数tile-coding谱编码提高低频段转子不平衡特征的辨识度及将谱信息编码成特征向量。通过分析轴承振动信号的谱信息,说明该特征提取方法能有效提取并发故障特征,并通过K最近邻算法进一步验证了特征提取模型有效性。针对并发故障间存在相关性、耦合性等问题,提出了一种基于多标签分类的并发故障诊断算法,并通过轴承与转子不平衡实验数据与常用算法进行了对比,结果证明了所提方法在并发故障诊断中具有明显的优势。