摩擦学系统的状态监测与辨识日益引起学术界与工业界的重视和关注，以润滑油中的磨损颗粒为研究对象的磨粒分析技术是开展摩擦学系统状态描述和辨识研究的一种有效方法。由于磨粒的多样性和复杂性，磨粒的识别长期依赖专家的经验，导致磨粒分析技术的推广应用受到较大限制。随着显微镜技术、计算机技术、传感器技术、信息技术及现代数学理论的长足进步，磨粒分析及识别技术虽然已经向智能化、自动化方向发展，但在磨粒特征参数的选择优化以及识别方法等方面的研究还存在着不足。如何建立磨粒特征参数描述体系是磨粒分析领域内的一大难点，本文从磨粒特征集内在的关联性出发，在对磨粒特征的相关性和冗余性分析的基础上，针对磨粒特征参数评价优化问题，设计了两种不同的特征选择算法——Recorre算法和遗传算法(GA)。研究表明：这2种算法对磨粒特征空间都能有效的约简。Recorre算法根据磨粒训练样本的统计特性进行特征选择，效率高，所得到的特征子集通用性强，但精度一般，在数据的处理量很大、系统的实时性要求高时可考虑采用Recorre算法；遗传算法根据磨粒识别系统的准确率来选择特征子集，所得到的特征子集是使系统性能最好的特征子集，因而能获得较高的系统识别率，但该方法效率低，适用于对系统识别率要求高的场合。集成学习通过将多个分类器以某种方式集成，可以显著提高磨粒分类的准确性。本文将集成学习理论引入磨粒的自动识别研究，研究了基于Bagging集成技术的磨粒识别方法，结果表明该方法可以进一步提高现有磨粒识别方法的准确率。在上述研究的基础上，结合GA特征选择和Bagging算法的优点，建立了一种新的基于GA特征选择和Bagging集成技术的磨粒识别模型——GA-Bagging，该方法在构建个体分类器的同时选择对磨粒识别最有效的特征，通过该算法可以有效去除磨粒特征集中的冗余特征和不相关特征，并在新的更少的数据集上进行建模。结果表明该方法可以显著提高现有磨粒识别系统的泛化能力和准确性，对完善和发展磨粒自动识别系统的理论、技术和方法提供了新的思路和解决方案。