旋转机械是工业装备中应用最为广泛的一类机械设备，例如：汽轮机、压缩机、风机和轧机等诸多机械都属于这一类。对这些设备开展状态监测与故障诊断工作,来保障设备安全可靠的运行，可以取得巨大的经济效益和社会效益。本课题将ReliefF加权特征选择方法引入到旋转机械的故障诊断中，实现了对具有众多信息的原始高维特征向量的降维。特征选择是从一组特征中挑选出一些最有效的特征以降低特征空间维数的过程，能够减少建立模型的训练时间，提高分类器正确率，是模式识别的关键问题之一。ReliefF加权特征选择方法是目前公认的性能较好的特征有效性评估方法，该算法能够有效地评价特征的分类能力，但是算法本身的设计没有考虑特征之间的相关性，因此这种算法不能去除冗余特征。为此，本文结合特征相关度算法去除分类能力相近的冗余特征。为了验证该方法的有效性和优越性，本文对材料试验机液压系统上采集的斜盘式轴向柱塞泵振动信号与实验室机械故障综合模拟实验台(MFS-MG)上采集的轴承振动信号进行分析。通过小波包频带能量分析确定液压泵以及滚动轴承各种状态时的共振频带范围，为小波包带通滤波提供依据。利用小波包理论和希尔伯特变换包络解调方法完成信号的处理。提取包络信号的幅值域和时频域特征指标作为原始特征向量，应用ReliefF加权特征选择方法，选择出分类能力强的特征，结合特征相关度算法去掉分类能力相近的冗余特征，形成维数较低的特征向量。最后，采用K均值聚类算法对特征选择后的样本进行模式识别。应用MATLAB软件进行编程，证明了ReliefF加权特征选择方法在旋转机械故障诊断中的有效性，并且与目前应用广泛的特征降维方法主元分析(PCA)相比较，得出ReliefF加权特征选择方法不仅保留了被选特征的原始物理意义，而且更好地保证了分类器的精度，体现了ReliefF加权特征选择方法应用于旋转机械故障诊断方面的优越性。