滚动轴承是当代大型机械设备的重要组成部分,在航空航天、海洋工程和地震勘探等领域被广泛使用。滚动轴承的质量对生产活动的安全和产品质量具有重要意义,然而鉴于故障的不可发现性和潜在的严重损失,准确有效地完成故障识别具有重要意义和挑战。现代故障监测技术依赖传感器数据,具有不平衡、噪点多、数据量大等特点,基于原始数据进行故障分类难度大,效率低,因此本文提出特征驱动的故障分类算法,并分别针对小样本且分布不均匀的场景以及大数据量场景提出相应的模型,所述模型基于不同场景特征,平衡计算资源和监测精度,基于CWRU故障数据库,提高了滚动轴承故障诊断效率,具体如下:（1）针对故障数据少分布不均匀的场景设计特征提取-故障分类-模型优化的三层算法架构,基于稀疏自编码器进行特征挖掘,同时引用支持向量机作为分类识别器,所述算法架构具有模型轻量化、计算效率高等特点,可以针对小样本且分布不均匀的场景进行故障分类。（2）针对故障数据量大的场景设计特征提取-故障分类-模型优化的三层算法架构,基于融合卷积神经网络构建自编码器实现特征提取,基于支持向量机进行数据分类,所述算法架构具有特征提取精度高、迭代速度快等特点,可以在大样本海量数据下挖掘隐藏信息进行故障分类。（3）针对支持向量机分类器超参数选择困难,提出启发式算法麻雀搜索算法进行超参数的优化,包括对该启发式算法进行混沌优化,并应用到实际工程中,该算法可以在一定范围内快速找到使支持向量机表现最好的最优超参数。