随着新能源汽车发展和产业化已经提升到国家战略,轮毂电机驱动电动汽车以独特的动力传递技术和灵活方便的控制优势成为新能源汽车行业的研究热点。为避免因轮毂电机重要零部件——轴承发生故障,导致车辆发生重大运行安全或交通事故,亟需研究高效的轮毂电机轴承状态识别技术。以轮毂电机轴承的常见故障状态为切入点,提出了基于改进人工碳氢网络（Artificial Hydrocarbon Networks,AHNs）的轮毂电机轴承状态识别方法,精准识别多运行工况下轮毂电机轴承状态。（1）探究适用于复杂多变工况下的轮毂电机轴承状态识别方法,设计了轮毂电机轴承试验台架方案,搭建供电控制系统和信号采集系统,为后期研究基于改进AHNs的轮毂电机轴承状态识别方法提供数据支撑。（2）分析轮毂电机多种运行工况下振动和噪声信号特点,探索间歇性强干扰下的故障特征提取方法,提出基于粒子群优化算法（Particle Swarm Optimization,PSO）的小波阈值去噪法,通过合理选择适当的小波分解层数、小波基函数和各分解层的阈值,消除干扰成分对振动、噪声信号的影响。再利用基于综合权重诊断指标的故障特征参数提取方法,快速优选故障特征参数,为后续轮毂电机轴承状态识别模型的构建提供输入。（3）研究AHNs技术,分析传统AHNs全局分类寻优的方法及特点,提出了一种复合误差函数（Complex Error Function,CEF）来优化两个相邻碳氢分子的区间划分规则,获取每个碳氢分子的最佳分割解,并定义了距离误差比来评估基于CEF的AHNs（简称为CEF-AHNs）的状态识别性能,以构建有效的轮毂电机轴承状态识别模型。（4）尽管CEF-AHNs一定程度上能够提高轮毂电机轴承的状态识别精度,但训练过程中要求输入参数与输出结果具备严格的映射关系,且其识别性能过于依赖训练样本集的强耦合关系。因此,结合K-means聚类算法,改进碳氢分子区间块更新方式,构建基于K-means的AHNs（简称为K-AHNs）,对比分析了基于K-AHNs的轴承状态识别方法的可靠性和实用性。（5）针对K-AHNs对振动和噪声信号所反映的权重系数具备强依赖性,利用AdaBoost算法重构振动和噪声信号在AHNs模型中的权重,优化碳氢化合物的线性连接方案,构建基于AdaBoost和K-means的AHNs（简称为AdaBoost KAHNs）的轮毂电机轴承状态识别方法,利用开源数据和轮毂电机台架试验数据验证了AdaBoost K-AHNs的稳定性和可靠性。综上所述,AHNs智能算法的改进方案既适应于轮毂电机轴承故障诊断,又提升了其状态识别精度,为后续轮毂电机的状态识别领域提供了研究方向。