本文主要研究智能模式识别方法，研究对象为机械设备轴承和齿轮，研究内容包括：1)基于小波包的特征值提取。振动信号本身存在多周期成分、调制的现象，其故障信息在某些频带部分表现得会更加突出，传统的特征值提取方法未能表现各个频带对故障信息的敏感情况，小波包(Wavelet Packet)方法是一种将频带多层次划分的更加精细的分析方法，利用其得到不同频带的小波包系数，提取小波包系数的16种时域特征值，以便突出某些频带的故障信息。最后选取小波包系数方差作为特征值。2)模式识别。对典型的模式识别方法-聚类法、神经网络和模糊法，作了具体研究和实现。基于小波包系数方差这一特征值，比较模式分类结果，验证了模糊理论的必要性，并确定BP神经网络和自适应神经网络(Adaptive NN)为较好的智能模式识别方法。3)综合分析。研究中发现，单一的模式识别方法得到的针对研究对象的分类结果准确度不高。尝试将模式识别方法相结合，作进一步的分析。模糊聚类和BP神经网络相结合，模糊推理和自适应神经网络(Adaptive NN)相结合，对其故障状态模式分类。结论：基于小波包系数方差这一特征值，综合模式识别结果的准确度有了更大的提高。