滚动轴承作为机械设备中一个重要的组成部分，对其进行状态检测和故障诊断具有很强的现实意义。本文利用希尔伯特-黄变换法（HHT）对滚动轴承故障信号进行能量特征值提取，进而利用支持向量机(SVM)的方法对滚动轴承故障状态进行识别。　　 滚动轴承故障诊断主要包括诊断信息的获取，故障特征值的提取和模式识别三个部分。其中故障特征的提取和状态识别是滚动轴承故障诊断的关键。当滚动轴承发生故障时，其振动信号往往表现为非平稳性，本文提出的希尔伯特-黄变换法中的EMD分解法是基于信号的局部时间特征尺度，具有很强的自适应性，可以将信号分解为有限个本征模函数（IMF）之和，每个IMF分量分别包括了不同时间特征尺度大小的成分，其尺度依次由小到大，因此，每个IMF分量包含了从高到低不同频率段信号成分。本文将EMD方法引入滚动轴承故障诊断，选取故障信息明显的IMF分量，提取出其能量特征向量，实现了滚动轴承故障的初步诊断。　　 在对滚动轴承进行模式识别上本文采用了支持向量机方法，因它具有对经验的依赖小，能够获得全局最优解以及良好的泛化性能等特点，已被广泛应用于模式识别中。本文将提取到的IMF分量的能量特征向量作为支持向量机的输入从而进行分类应用于滚动轴承故障诊断识别中，实现了对滚动轴承故障状态准确的诊断识别。