随着科学技术的快速发展,旋转机械设备在现代社会中得到了越来越广泛的应用。为了确保旋转机械能够安全可靠的运行,避免一系列伤亡事故的发生和经济损失,对旋转机械的运行状态进行检测与诊断至关重要。机械振动信号作为一种重要的指标可以用来反映机械设备的工作状态,通过对振动信号的分析与处理,能够实现对旋转机械进行故障诊断。针对传统振动测量方法的不足与缺陷,本文围绕旋转机械的故障诊断,提出了基于机器视觉的旋转机械故障诊断方法,并通过一系列的实验验证了该方法具有可靠的效果。首先,本文设计了一种基于机器视觉的旋转机械实验平台,包括旋转机械故障模拟实验平台以及基于视觉的振动图像采集系统。通过对不同故障类型的探究,验证了后续章节提出的故障诊断方法的有效性。其次,基于机器视觉的振动测量方法,提出了线性分类的故障诊断方法。该方法对基于振动图像提取得到的时域振动信号进行处理,构建频域数据集,然后采用线性分类的方法对不同的故障类别进行分类。通过实验进行验证,提出的基于机器视觉和线性分类的诊断方法能够到达较为精确的结果。再次,针对线性分类方法的不足,为了能够充分发挥机器视觉实现全场振动测量的优点,提出了一种基于机器视觉和深度学习的旋转机械故障诊断方法。该方法针对振动图像提取得到的时域振动信号进行多像素点数据集的构建,并采用卷积神经网络对划分的数据集进行训练与测试。结果表明,提出的基于机器视觉和深度学习的方法能够弥补线性分类方法的不足,并能达到更为精确的分类结果。最后,针对深度学习在训练数据不足或标签样本较少时的缺陷,提出了基于机器视觉和迁移学习的旋转故障故障诊断方法。该方法采用JDA构造一个特征子空间,减小源域和目标域的边缘分布,并采用KNN实现分类。实验结果表明,该方法能够实现较好的迁移学习效果。