随着煤矿规模的扩大和生产体制的改革，推行设备状态检修势在必行。如何及时准确的掌握设备运行状态成为指导状态检修的关键。目前对设备运行状态的判断往往采用参数阈值的方法，即当设备出现故障、参数达到预先设定的阈值时，系统发出报警。这种方法也能对设备进行监测，但更偏重于事后维修，而不能实时观察设备的运行状态，实现状态检修。因此，本文在小波分析和机器学习的理论的基础上，提取特征值建立设备运行状态的健康模式库，并采用SVM方法诊断设备的健康程度，及时发现潜在故障，指导维护和检修工作的合理开展，减少事后维修给企业带来的经济损失。本文基于模式库对矿山设备健康诊断方法进行了研究和分析。首先，提出了健康模式库这一概念与传统故障诊断的区别，介绍了常用的故障诊断的信号分析技术，并利用LabVIEW软件实现。阐述了系统的需求分析，根据需求分析提出了系统研究的整体设计，并利用LabVIEW软件搭建了系统状态监测系统的界面。其次，利用小波包提取的特征值，建立健康模式库，同时提出健康束和健康集的定义。还使用LabVIEW软件建立用户数据库，加强整体系统的安全性。通过对数据的分析和处理，明显得出小波包特征值具有高效的识别性。最后，选用专门研究小样本下的机器学习规律和追求现有信息条件下的最优结果（结构风险最小化）方向具有明显优势的SVM方法来完成健康诊断。通过数据仿真，再根据SVM对特征向量进行聚类分析，得到了较高预测精度。