在工业生产中,许多生产作业是通过旋转机械完成的,一旦发生故障就会对生产造成大量的损失,而在它的运行过程中30%的原因是来自于一个关键的零部件滚动轴承。如果能够较早的找出这个关键部件的问题,并及时告知维修人员,将问题及早的排除,那么这样就可以做到对这类设备的安全生产,减少企业的直接生产损失,提高企业的经济效益,使得这类部件问题的判断研究,具有很强的现实意义。它的判别实质就是各种工作状态的识别,流程先后顺序一般为,信号预先处理和特性的提取,根据提取的结果,选择一定的方法做状态的判别。这个方法总是被期望是准确的,构建模型的等待时间尽量的可以被缩短。为了得到更加准确的分类结果,获取代表轴承工作状态的特征信息是非常关键的准备工作。因此首先要在取得的不同工作状态的信号下,分别提炼它们的特性信息。为了达到这个目的,本文将运用一种小波包结合时域特征提取的方法,它是首先提取轴承信号时域无量纲参数的特征指标,然后采用小波包获得每个频带里包含的信号能量,并将这些信号的特性信息组合在一起作为特征集。这种方法提取出的信息特征,具有一定的物理意义及诊断学原理支撑,能够用来表征滚动轴承的运行工况特性。有了这些特征集后,考虑到支持向量在小样本学习方面的优势,本文提出了基于多分类支持向量机的工况判断方法,在“一对一”多分类算法的基础上,设计一种PCA-PSO-MSVM的多类划分方法,它可以减少特征集之间规律上的冗余,同时能显著提高分类的精度的方法。这种方法既能得到相对准确的划分结果,同时在模型构建效率上能有一定的提升,并且通过大量实验证明了本文提出方法的有效性。最后本文通过对不同技术方案的比较选择合适的方案,设计一款以滚动轴承作为实验对象的基于主元分析法与支持向量机的智能化轴承故障诊断系统。