滚动轴承是各种机械设备中最常见的零部件，同时也是易损坏的零件之一。机械的许多故障都与滚动轴承有关，它的运行状态是否正常往往直接影响到整台机器的性能。因此开展对滚动轴承的故障诊断具有很现实的意义。 本文首先总结分析了滚动轴承的典型故障的故障机理和振动特征，并在实验室的故障诊断实验台上，对轴承的内圈损伤、外圈损伤、滚动体点蚀三种故障进行了故障诊断的实验，采集了轴承的振动信号。 对采集的振动信号首先用小波包作为信号降噪处理和频域能量特征向量提取。对提取的特征向量分别用基于BP学习算法的神经网络和支持向量机进行了故障类型的模式识别。由于BP神经网络有一个难以克服的缺陷，即训练易陷入局部极小点，而遗传算法因其所具有全局随机搜索能力，所以利用遗传算法来优化神经网络的结构参数，仿真表明使神经网络很好的摆脱了局部极小。通过比较神经网络和支持向量机的仿真结果，发现支持向量机的诊断结果明显优于神经网络的诊断结果。采用小波和支持向量机相结合的方法能够有效地对滚动轴承故障进行检测、诊断。