滚动轴承作为机械设备中常用、关键的零部件,其工作状态是否正常,直接影响到整台设备乃至整个生产线的产品质量和安全。对其进行故障诊断和监测,是国内外学者在工程技术领域的研究开发热点。利用滚动轴承及其部件的振动信号对其工作状态进行分析,是目前旋转机械故障监测与诊断研究中最常用的方法。鉴于振动信号的降噪对有效揭示故障信息非常重要,本文研究了基于平稳小波的新阈值消噪方法。在机械设备的故障诊断与监测过程中,故障特征提取和故障模式识别是两个关键。基于此,探讨了基于图像技术的故障特征提取方法,和基于参数最优Morlet小波的故障特征提取方法。研究了LSSVM和FCM等模式识别方法在滚动轴承故障模式诊断中的应用和优化。主要研究工作如下：(1)在信号降噪方面,分析了常用的小波去噪方法,在此基础上提出了一种基于平稳小波变换的新阈值消噪方法。阈值大小依据了冲击型的故障信号和噪声的小波系数在不同尺度上的特性。在综合了软、硬阈值函数的优点的基础上提出了一种新的参数可调阈值函数。与常用小波去噪方法进行了对比分析,结果表明该方法有效的提取信号中冲击成分,为正确识别故障特征提供了有力的保证。(2)在基于图像技术的故障特征提取方面,介绍了希尔伯特包络和双谱概念,由此引入振动信号的包络双谱图,提出了利用双谱灰度图矩统计量来表征轴承运行状态。对矩特征统计量进行主成分分析而得到4个主成分特征,将其作为故障模式识别的输入向量。对比分析了其它图像特征提取技术,实验表明,基于矩特征的滚动轴承状态模式识别准确率更高一些。(3)分析了Morlet小波参数对时频分析的影响,针对轴承等机械故障振动信号波形为冲击衰减这一特点,提出一种基于参数最优Morlet小波的故障特征提取方法。为达到小波分析与冲击特征成分的最佳匹配,将小波系数的峭度和最大值之积作为目标函数,运用模拟退火算法优化Morlet小波的两个形状参数：带宽和中心频率。将振动信号通过由Morlet小波确定的带通滤波器,提取包络功率谱作为故障特征,通过仿真实验和实际故障信号对该方法进行了验证。(4)在故障模式识别方面,针对工程实际中难以获得大量典型故障样本的情况,将LSSVM方法引入轴承的智能故障诊断中。将特征优选和SVM参数优选同步进行,在得到较优的λ、σ参数的同时进行特征选择以获取显著特征子集。将4种运行状态、5种转速、2类载荷条件下测得的滚动轴承振动信号作为研究样本,对识别准确率进行了验证。(5)本文提出一种基于类可分性测量的加权FCM算法,根据类可分性测量指标计算特征权,然后将特征权赋予相应特征,以反映特征对故障模式的敏感性。对四种载荷和多种故障程度下测得的滚动轴承振动信号进行了故障诊断分析。文章最后对本文的工作进行了总结和对相关的研究技术进行了展望。