随着工业化的迅猛发展，机械设备正朝着大型化、高效率、高智能化的方向发展。机械设备不同部件之间的相互联系日益紧密，任何一个部件出现故障或是发生突变都可能引起重大的生产事故，导致生产过程中断。如何确保机械设备的安全、稳定、高效地运行成为当今学者们研究的重大课题。有效、快速、准确地实现对故障设备的状态评估，并对未来的运行状态进行预测，能够尽早地发现设备异常，及时、有效地进行处理，对预防重大事故的发生有重要意义。本文比较了常见的数据挖掘的方法，基于支持向量机在处理过学习、高纬度、非线性和小样本的问题时有较好的效果，同时具有很强推广能力的特点，将支持向量机应用到故障的识别、数据预测和数据挖掘中，主要做了以下工作：提出了一种基于EEMD-SVM的故障识别方法。作为特征提取方法，EMD在处理信号的过程中存在混叠等现象，很大程度上影响着特征的有效性和真确度。所以，为了更好地提取出SVM的特征，选取通过改进后的EMD方法，即EEMD。它能很好的消除EMD中出现混叠现象，并通过实验证明了方法的正确性。将SVM应用到数据的预测方面。其中，包括SVM对周期信号的预测和SVM对非周期信号的预测。对于这两种不同的特征信号，本文采用不同的方法与SVM结合。在周期信号中，将SVM与PSO优化向空间重构算法相结合；在非周期信号预测过程中，为了能够更好的达到预测的效果，将SVM与EEMD和PSO相结合，组成EEMD和PSO-SVM预测方法。并通过实例证明了不论周期还是非周期信号预测，SVM都能达到很好的结果。根据SVM能够很好的处理小样本事件的特点，本文将基于支持向量机的数据挖掘模型应用于新型二次供水设备水泵流量-扬程曲线的研究中。通过水泵测量的有限的流量-扬程数据，利用SVM对已测时间点中间的时间段点的数据进行挖掘，绘制出更接近真实的流量-扬程曲线图，为水泵型号的选取提供更准确的依据。