近年来，滚动轴承状态监测与故障诊断方面的研究工作受到越来越多的重视，相关的理论研究也得到迅速的发展。通常，轴承状态监测与故障诊断理想的手段都是基于振动信号处理这种方式开展的。本文详细的介绍了信号的降噪、信号的局部均值分解方法以及神经网络在故障诊断中的应用，并提出了一种基于局部均值分解和概率神经网络的轴承故障诊断的方法。同时，结合轴承试验台上模拟的四种模式下的数据，采用最大相关峭度反卷积法对原始信号进行降噪处理，然后对降噪后的信号进行局部均值分解以便更好地提取信号的故障特征，并以各个特征构成的特征向量作为概率神经网络的样本完成故障辨识。本文的主要工作及研究结论如下：(1)阐述了传统时频分析方法在非平稳信号中的应用，指出其存在的缺陷。分析滚动轴承故障的机理并对三种故障模式和一种正常模式的信号通过一种全新的降噪方法进行降噪。针对滚动轴承振动信号的特点，采用一种新的自适应信号处理方法—局部均值分解方法对轴承振动信号进行分解，分离出反映轴承振动情况的各个分量。(2)局部均值分解算法包含三个重要的循环过程，三个循环使得信号分解速度较慢。针对局部均值分解较慢的问题结合实际工程应用进行了相应的改进，提高了信号分解速度，减少了工程分析量。(3)将局部均值分解方法与概率神经网络相结合完成了滚动轴承的故障辨识。对局部均值分解得到的PF分量进行特征提取组成特征向量作为概率神经网络的输入样本进行故障诊断，通过实验验证表明本方法可以有效地识别轴承的故障类型。(4)开发了一套可以在离线状态下对滚动轴承振动信号进行时域分析、频域分析、时频分析及对轴承四种模式下的样本进行识别的系统，并基于MATLAB GUI完成了系统的开发。这套系统包括两个子系统，子系统一可以使信号处理与分析更加直观化和简单化，子系统二可对四种模式下的样本进行识别完成轴承的故障诊断。局部均值分解理论在轴承故障诊断领域带来了研究热潮，在轴承振动信号的处理方面值得进一步深入地研究。