特征提取是机械故障诊断的基础，如何有效的实现故障特征信息获取是故障诊断领域的研究热点之一。针对故障监测数据的复杂化、非线性化、高维化等特征，流形学习算法被引入到故障诊断领域以实现信号的非线性特征提取，本文对基于流形学习特征提取的融合故障诊断理论与方法展开研究，相关工作如下:　　构造一种基于共享近邻高斯核权值的拉普拉斯映射(SNGLE)算法。在分析LE算法使用欧氏距离带来的邻域错误覆盖和样本相似度量不合理的基础上，引入共享近邻距离代替欧氏距离，同时引入高斯核权值方法，通过共享近邻距离计算邻接权值矩阵，将样本点间的相似属性直接赋值于邻接权值矩阵中，提高了算法局部邻域结构保持能力。仿真数据分析和数据集分类识别验证了改进算法的有效性。　　提出一种基于数据分布的增量流形学习特征提取方法。针对传统增量流形学习算法未给出增量学习效果判别标准的不足，提出一种基于神经网络回溯误差的增量流形学习判别准则。在分析数据分布对新增样本增量流形学习影响的基础上，根据新增样本的邻域分布模式选择不同的增量流形学习处理，提高了增量流形学习的针对性，仿真数据分析验证了该方法的有效性。　　建立一种基于Bootstrap与D-S证据理论的融合诊断模型。针对单一特征集无法全面描述故障信号的不足，将前述SNGLE算法与基于数据分布的增量特征提取融入到融合诊断模型中，通过抽取多组训练子集实现多特征集的决策融合诊断，仿真数据分类诊断结果表明所提融合诊断模型的有效性。　　最后，将上述方法及故障诊断模型应用于齿轮箱故障诊断，结果表明上述方法能够有效提高齿轮箱故障诊断精度，验证了其有效性与可行性。