当代旋转机械设备的自动化程度不断提高,当某种设备发生故障时,容易引起较大程度上的停产,造成极大的经济损失。当设备发生故障时,需要尽快对故障种类进行识别,有针对性地提出解决措施。在电站设备中,汽轮机转子是最重要的生产设备之一,当转子发生故障后,必须尽快根据故障信号进行故障种类的鉴别。针对转子常见故障诊断进行了相关研究,提出一种基于HVD和近似熵的转子振动故障特征提取方法,并对基于二叉树的相关向量机多分类系统进行了优化。首先针对希尔伯特时频分析法在信号处理过程中容易产生虚假分量的问题,提出以KL散度、互信息、相关系数为综合指标的鉴定方法。该方法通过对各分量的综合指标进行聚类,完成了真实与虚假分量的鉴别,提高了HVD的实用性。其次,针对故障特征提取问题进行研究,提出了基于HVD和近似熵结合的特征提取方法。利用转子振动实验台模拟的故障数据作为研究对象提取特征向量,并通过计算特征向量构成的空间中各类故障之间的形心距和平均半径和之差来衡量不同特征提取方法对故障类别的区分能力。实验结果显示,近似熵相比于模糊熵和能量熵,具有较为明显的优越性。最后,本文对基于二叉树结构的多分类系统进行了研究,结果表明正态二叉树结构的系统分类时间和效率都较高。由于分类器中正负类样本的选取都会影响系统的最终性能,本文提出一种基于分数范数的高维空间度量指标,该指标可以有效衡量不同类样本之间的可分性。基于该指标对各层分类器正负类样本的选取进行优化,实验结果表明优化后的系统在分类精度上有了较为显著的提高。