滚动轴承作为现代工业系统中最为常用的零部件之一,其微小的故障有可能造成极大的经济损失和人身伤害。因此,对滚动轴承进行准确的故障诊断能够保障设备正常运行,具有重要的实际意义。由于故障数据获取的成本很高,滚动轴承的数据通常包含大量的正常数据,只有少量的故障数据,属于一类分类问题。为此,从支持向量数据描述（SVDD）方法出发,对SVDD算法进行深入研究。针对其在建模过程只考虑了数据自身相关性,而忽略了数据空间结构的问题,本文提出了如下三种方法:1.提出了一种全局和局部联合正则的SVDD算法。SVDD没有考虑数据分布,为每一个数据分配相同的惩罚参数,导致惩罚参数的选择具有很高的敏感性。为此,该算法从数据全局结构和局部结构出发,提出了针对高斯核空间的三种距离度量方法,并以此设计了相对于全局和局部的概率密度,然后利用此密度设计了信息熵用于正则化SVDD的惩罚参数,实现了在故障诊断中使用更多信息和降低信息的不确定性。在多种UCI公开数据集包括轴承数据集上的实验表明,本算法相较其他现有算法,具有更优的检测性能。2.提出了一种分布熵惩罚的SVDD算法。一般地,在异常检测与故障诊断的学习任务中,正常样本在数量上远远多于异常样本,但是异常样本也能够提供相应的信息,使得分类更加准确。为此,该算法利用相对于全局的概率密度分别设计了正常样本和异常样本的信息熵,分别正则化SVDD正常样本的惩罚参数和异常样本的惩罚参数,将数据结构分布拓展应用于包含少量异常样本的SVDD模型中。在多种异常检测和滚动轴承数据集上的实验表明,本算法在一定程度上提高了异常数据检测的准确率。3.提出了一种特征熵正则的SVDD算法。SVDD在建模过程中直接使用原始数据,对每个特征属性同等对待,没有考虑到数据的子空间结构。为此,该算法考虑样本各特征的贡献度,利用特征权重提升数据的鲁棒性,同时利用权重的特征熵正则SVDD,并利用交替更新策略设计了优化方法。特征权重增强了SVDD对数据子空间结构信息的利用。利用人造二维数据和多种真实数据集验证了优化后的特征权重的有效性,同时在多种异常检测数据集上的实验表明,本算法有效提升了异常样本的检测能力。