滚动轴承是机械设备中的最常用部件之一，它具有摩擦阻力小，装配较方便，润滑易实现等优点，因此在旋转机械上应用较为普遍。轴承的好坏直接影响到机器的工作状况，机器运行中发生的任何故障或失效会引起严重后果，造成重大的经济损失，所以对轴承进行状态检测与故障诊断是非常必要的。第一章简述了选题的目的和意义，故障诊断技术的发展，小波分析的滚动轴承故障诊断研究现状以及基于神经网络的智能故障诊断的研究，还有本文的研究内容。第二章详细介绍了滚动轴承失效的基本形式，滚动轴承的振动类型和振动机理，轴承的振动诊断方法。第三章简单介绍了傅立叶变换和短时傅立叶变换，用来描述信号的频域信息。主要研究了小波分析理论，用多分辨率分析对滚动轴承故障信号进行分析，并获得分析结果。第四章主要研究小波包理论，它是在多分辨率分析的基础上，对未细化的高频信息再进一步的划分，获得更多详细的信息。用小波包的多尺度分析对滚动轴承故障信号进行分析，用MATLAB进行仿真。第五章把小波的时频局部化优点和神经网络的自学习、非线性映射能力结合起来，用小波包提取故障的能量特征，构成特征向量，再通过RBF神经网络来对故障进行分类。同时用Fisher线性判据对故障进行分类，和RBF神经网络进行比较。在本文中，将小波分析和人工神经网络这两种现代的理论分析方法和生产实际结合起来，用于滚动轴承故障诊断中，做了一个有益的尝试，也获得了比较好的结果。