滚动轴承是旋转机械中最常见、最易损坏的部件之一。滚动轴承故障会引起机器产生异常振动和噪声,加速机器损坏,甚至引发人员伤亡等重大事故。对滚动轴承进行监测和故障诊断,可以快速发现和定位故障,制定合理有效的维修方案,进而缩短设备故障时间,对机械系统的稳定运行具有重要的意义。滚动轴承运行环境复杂多变,故障信号易被系统扰动和噪声淹没,同时其故障机理复杂,不易得到全面可靠的故障因果逻辑关系,基于物理模型的诊断方法在实际应用中受到局限。而机械设备在运行过程中产生大量蕴含滚动轴承状态的数据,因此基于数据驱动的诊断方法被广泛应用于故障诊断领域。贝叶斯网络作为一种可以表示不定性因果关联的模型,对于解决复杂设备不确定性和关联性引起的故障具有很大优势。贝叶斯网络可以把多元的知识图解可视化,以概率计算的方式进行知识表达或者推理,其结构描述了变量之间的因果关系及条件依赖关系,模型的解释能力强,同时其网络结构简单,训练数据数量少,运算速度更快。论文的主要研究内容如下:（1）进行轴承故障分析和特征指标选择,提炼出敏感度高的特征指标来表征轴承的运行状态,并将它们作为网络的观测节点输入网络;（2）根据故障数据分析故障特征指标之间的依赖关系,确立贝叶斯网络拓扑结构,并且学习网络节点的概率分布,建立基于贝叶斯网络的轴承故障诊断模型;在此基础上提出了基于JS（Jensen-Shannon）散度约束的二维插值算法对网络条件概率分布表进行插值,解决由于故障数据不完备而导致的概率分布表中概率统计因子不连续以及概率值零值较多的问题,提高模型的诊断准确率;（3）将贝叶斯网络做时间维度上的扩展,建立基于动态贝叶斯网络的在线监测与诊断模型,并给出网络结构建立和参数学习的方法。模型充分利用监测数据时间序列时间片之间的相关关系,描述轴承运行过程中的状态变换,并且通过动态贝叶斯网络推理计算实现轴承状态实时监测和故障诊断。