本论文是在国家自然科学基金(51261024，51075372，51265039，50775208)，江西省教育厅科技计划项目(No.GJJ12405)，机械传动国家重点实验室开放基金(No.SKLMT-KFKT-201514)和广东省数字信号与图像处理技术重点实验室开放课题(2014GDDSIPL-01)资助下展开研究。基于无限因子隐Markov模型(iFHMM)的独特优势，将iFHMM引入到机械故障诊断中，提出了基于iFHMM的机械故障诊断方法，并进行了仿真和实验验证，取得了比较好的创新性成果。本论文的主要研究内容如下：　　第1章：论述了本课题的提出及意义，因子隐Markov模型的国内外研究现状和无限因子隐Markov模型的研究现状。在此基础上，给出了本文的主要研究内容与创新之处。　　第2章：论述了因子隐 Markov模型的基本原理与基本算法，指出了因子隐Markov模型所存在的不足与缺陷。以此为基础，论述了iFHMM的理论及推导算法。鉴于iFHMM的结构，采用一个二元矩阵进行结构的搭建与建模，引进了印度餐馆过程（IBP）与截棍构造模型（Stick-Breaking），以此为基础对iFHMM进行建模，重点论述了iFHMM的理论算法及其推导过程。　　第3章：将无限因子隐Markov模型引入到旋转机械升降速过程的故障诊断中，提出了基于因子隐Markov模型的旋转机械故障诊断方法，在提出的方法中，利用FFT提取各种典型的转子故障的1/2、1,2,3,4,5倍频作为特征向量输入到各个状态iFHMM来进行训练，得到每个模型产生该序列的概率，其中概率最大的状态就代表了当前机组的运行状态。同时，提出的方法与传统的基于因子隐Markov模型的机械故障诊断方法进行了比较，并成功地应用到旋转机械的故障中，实验结果表明，iFHMM识别方法和FHMM识别方法都得到了很好的识别效果，然而，在iFHMM识别方法中，隐式Markov链条数设定为无穷大，可以通过求极限确定合适的隐式Markov链条数，克服了在FHMM识别方法中盲目选择隐式Markov链条数的不足。　　第4章：结合独立成分分析(ICA)和iFHMM的各自特点，提出了基于ICA-iFHMM的旋转机械故障诊断方法，在提出的方法中，利用ICA基残余互信息（RMI）作为特征提取，消除了多通道之间的信息冗余，iFHMM作为识别器。将提出的方法应用于旋转机械故障诊断中。同时，与基于ICA-FHMM的旋转机械故障诊断方法进行对比研究，实验结果表明，两种方法都取得了满意的识别效果，然而，ICA-FHMM识别效果与隐式Markov链条数的选择有很大关系，如何合理选择，缺乏依据，往往是采用人为试凑方法来选择。而提出的方法可以自适应地确定隐式Markov链条数，克服了FHMM中存在的不足。　　第5章：针对iFHMM中的模型参数估计的EM算法只能进行局部寻优，这样，容易造成EM算法在早期过早地收敛于局部极值的不足，在此，利用粒子群算法(PSO)具有全局寻优的特点，提出了PSO-iFHMM模型。在此基础上，将提出的模型应用到滚动轴承性能退化研究中，并以基本尺度熵为特征，构造PSO-iFHMM预测模型。同时，与FHMM预测模型、iFHMM预测模型进行对比研究。实验证明，三种预测模型方法都取得良好的预测效果。然而，FHMM预测模型、iFHMM预测模型存在过学习或欠学习问题，容易陷入局部极小。而在提出的PSO-iFHMM预测模型中，引入粒子群优化算法，大大加强了它的寻优能力，达到全局寻优。　　第六章，对本论文的研究工作内容进行了全面的总结，并对有必要进行进一步开展研究的工作进行了展望。