旋转机械作为现代工业生产中的核心设备，各种随机因素的干扰使其难免会出现不同形式的故障而影响正常工作，并且大量故障的产生有征兆趋势可寻，具有时间依存性和趋势可预知性。通过状态监测并采用科学有效的故障趋势特征提取与预测方法，能够为操作人员进行预知性维修实施科学维护提供很好的帮助和指导。然而由于机械系统复杂和规模庞大造成了故障征兆信息的不完整性，且海量的状态监测数据具有非线性和非平稳性，给故障趋势特征准确地提取和故障预测方法的实时性和有效性带来了挑战和研究价值。本文以状态监测数据为研究对象，充分结合其特点并从形态特征、模型特征和结构特征三个不同层次，建立基于数据驱动的多尺度故障趋势特征提取及预测方法。主要研究内容包括：　　（1）通过融合局部最值和斜率变化幅度的思想，提出了基于分段线性表示提取状态趋势特征的方法(LMMS）。实验结果表明该算法能够从海量繁琐的数据中准确提取出多尺度趋势特征、去除噪声干扰且拟合误差小，同时获得了高压缩率，提取的趋势模式与知识规则有助于高效且准确地分析机械设备状态趋势。　　（2）针对状态监测数据非线性和非平稳性的特点，对连续缓变数据建立了一种基于EEMD和ARIMA模型的振动状态趋势预测方法。通过对比实验验证了该混合预测方法的有效性和适应性，能够预测出振动状态主要变化趋势且具有较高的预测精度以及更大的应用范围。　　（3）在分析转子系统不对中故障的表现形式及其故障机理的基础上，建立了单盘转子系统不对中故障的动力学模型，分析了其振动特征，为进一步研究不对中故障的特征频率成分变化趋势及其演变规律提供了理论基础。　　（4）对于高频复杂数据，提出了一种基于 Hilbert-Huang变换的特征频率成分多尺度趋势分析方法，探讨了特征频率成分趋势征兆与故障演化规律之间的关系，利用混合时间序列模型预测未来可能出现的频率状态，并将 Sohre表作为故障诊断的标准，进行机组的实时故障趋势预测和诊断。通过对转子系统不对中故障的演变过程进行仿真实验，验证了该方法应用于故障趋势预测的可行性和有效性，为研究旋转机械的健康管理与预知性维修提供了依据和指导。