研究机械振动学的理论与方法、解释机械结构系统中的各种复杂运动现象、实现复杂装备振动与噪声的有效控制以及振动的有效利用是提升机械装备性能的重要手段。滚动轴承是旋转设备易损件之一,准确及时的故障诊断对于确保旋转机械的可靠运行至关重要。本文研究旋转设备滚动轴承故障分类算法。针对轴承的故障检测问题,论文提出一种基于神经网络滤波和集成学习分类的轴承噪声故障分类方法。针对设备运行状态异常信息或故障信息总是叠加在设备健康状态信息之上的原则,研究基于神经网络的自适应滤波的轴承健康状态信号剥离算法,并基于集成学习的算法提升策略,研究基于学习的结合策略对强分类器的提升效果,提出了一种基于神经网络滤波和集成学习分类的轴承故障分类算法用于滚动轴承轴承故障检测和分类。通过神经网络滤波器滤除轴承信号中正常成分;然后提取信号特征,采用估算法选择有区分度的特征,通过多尺度特征提取的方法构建新的特征;最后将特征信号输入基于结合策略的集成学习准三级分类分类器进行训练与测试,通过实验验证了此方法的有效性。针对滚动轴承故障分类的特征选择问题,研究了基于梯度提升决策树的特征选择算法,提出了一种基于XGBoost的特征选择算法XGB-C-FS,以XGBoost模型的重要性评估为依据,经过序列前向加入、浮动后向剔除以及特征相关性筛选的两种方法相结合,选择出重要度较高且能够表征样本特征较为全面的特征集合作为最优特征子集。通过与CDET、XGBoost等单纯以重要性排序为依据进行特征选择的算法进行对比,以分类器的分类精度为评价指标,验证不同特征选择方法下选择的特征子集的优劣程度。论文所提出的特征提取和分类算法均在不同类型的轴承运行噪声数据集下进行了训练与测试,验证了算法的优越性。