旋转机械在机械制造、电力、动力、乃至航空航天和军工部门等多领域应用广泛。生产系统中各个环节联系越来越紧密,一旦某个环节出现故障,将直接影响机械设备的正常运转,因此对于旋转机械的监测与诊断显得尤为重要,而滚动轴承作为旋转机械的重要组成部分,在日常生活和生产中,其作用不可轻视,对滚动轴承状态监测和故障诊断具有极大的实际意义。论文主要是通过分析滚动轴承振动信号来进行故障诊断。特征提取作为故障诊断的关键环节是研究的主要内容,本文分别研究了基于高阶统计量、分数低阶统计量、分数阶排列熵算法等现代信号处理技术的特征提取方法;针对机械故障诊断存在着的获取样本困难、故障样本数量有限等问题,采用支持向量机作为故障识别方法,突出了其在小样本分类方面的优势。本文提出一些滚动轴承故障特征提取及诊断的新方法,主要研究内容如下:(1)介绍了alpha稳定分布的概念及其概率密度函数,通过对轴承故障信号概率密度拟合,证明了轴承故障信号更符合?稳定分布,并在此基础上提取出了能够反映特征信息的相关特征参数,通过小波包分解理论和特征参数构成特征向量,进而利用支持向量机对故障进行了分类。(2)详述了高阶统计量理论及其性质,考虑到高阶统计量理论中的三阶累积量和四阶累积量,分数低阶统计量理论中的特征指数和分散系数的特性,提出了不同阶次的特征提取方法,构成四维特征向量组,最后以所得的特征向量组为依据,利用支持向量机对机械系统的振动状态做出判断。(3)详细介绍了排列熵算法原理,仿真验证了排列熵算法的有效性;在排列熵的基础上提出了一种新的特征提取方法,即分数阶排列熵,仿真证明了分数阶排列熵对突变更加敏感,更显著地放大了时间序列的微小变化;选取不同阶次的排列熵值作为特征向量,为故障诊断特征提取提供了一个新的思路,利用支持向量机完成了不同工况的分类。