近年来，故障诊断技术得到了深入研究和广泛应用。随着人工智能、模式识别、机器学习以及计算机技术的发展，故障诊断技术朝着智能化的方向发展。在实际应用中，识别故障严重程度是故障诊断领域的一个挑战。获取故障的严重程度信息能够帮助用户了解设备状态的发展趋势，制定合理的维修策略和检修方案。故障严重程度可以表示为“轻微故障”、“中等故障”和“严重故障”，不同严重程度之间存在序的关系。在模式识别领域中，故障严重程度识别可以理解为有序分类问题。一些故障特征和故障的严重程度之间存在单调关系，被称为单调故障特征，即特征值随着故障程度的增大而单调变大或变小。单调故障特征能够反映出与故障严重程度之间的单调趋势，为故障严重程度识别提供直观、简单的诊断信息，但也存在一些特征与故障程度不存在单调依赖关系。我们称前者为单调特征，后者为非单调特征。在设备状态监测中的大量传感器数据，只有很少一部分与故障严重程度是相关的。大量不相关的故障特征会增加系统的复杂性，降低分类器的识别能力。因此，在故障程度识别之前需要从全部特征集合中选择与故障严重程度相关的故障特征子集，去除不相关和冗余的故障特征。本文从有序分类问题出发，研究从原始特征空间中寻找最优特征子集问题，以提高故障程度识别的泛化性能。本文首先假设全部特征都与故障严重性之间满足单调依赖性，把故障严重性问题当做单调分类问题进行研究，然后再考虑实际问题中只有部分特征与故障严重性具有单调关系的情形，开展了以下几方面的工作：首先，设计了基于距离的单调分类特征选择算法。基本思想是根据在特征空间中样本的区分能力来评价特征集的质量。将距离函数作为特征评价函数设计了特征选择算法，并用实验验证了算法的有效性。其次，设计了基于排序熵的鲁棒单调分类特征选择算法。大部分真实分类任务不是严格单调一致的，需要设计能够容忍不一致的单调分类特征选择算法。排序互信息基于概率分布函数计算，继承了信息熵的鲁棒性。本文采用排序互信息作为特征评价指标，通过最大相关最小冗余（mRMR）搜索策略寻找一个特征子集。实验验证了排序互信息的鲁棒性和特征选择算法的有效性。再次，设计了混合特征的有序分类特征选择算法。实际故障严重程度识别任务中，只有部分特征与严重性程度之间是单调的。在单调特征和非单调特征共存的情况下，讨论了混合特征选择算法。将单调特征和非单调特征分开处理，对单调特征考虑单调一致性，对非单调特征考虑一般分类一致性，给出了混合特征分类一致性假设条件，并设计特征评价指标，构造了有序分类的混合特征选择算法。最后，将提出的混合特征选择算法应用到齿轮裂纹故障严重程度识别中。从振动信号中提取故障特征，得到不同严重程度的故障数据集。应用特征选择算法，从全部的故障特征中选择出与故障严重程度相关的特征子集，然后应用随机有序混合决策树进行故障严重程度识别，得到了较好的效果。本文讨论了故障严重程度识别中的特征评价和特征选择算法。将严重程度识别问题中的特征分为非单调特征和单调特征，分别设计了不同的特征评价指标和特征选择算法，为故障严重程度识别提供了可行的方案。