滚动轴承作为工业生产中旋转机械设备的重要基础部件,其运行状态直接影响到机械设备的性能及安全。滚动轴承在其全寿命周期内,从开始工作会经历一系列性能退化状态的改变,直至最终完全失效。性能退化评估旨在滚动轴承全寿命周期内对其退化程度进行描述。因此,为保障机械设备的工作效率,防止突发事故发生,对滚动轴承性能退化状态进行有效评估尤为重要。滚动轴承全寿命周期振动信号中包含其性能退化程度的有用信息,为提取更全面的特征信息,本文采用多个时域统计指标与频域统计指标,分别对轴承时域、频域特征进行提取;采用小波包分解的方法,实现轴承时频特征的有效提取。并构建滚动轴承故障特征集。对于滚动轴承各性能退化状态识别问题,本文首先对改进分类规则后的超球体支持向量机理论进行深入研究。然后针对滚动轴承全寿命周期振动信号分布不均匀的特点,对超球体支持向量机进行多核优化,构造多核超球体支持向量机模型,通过标准UCI数据集验证,优化的有效性。为消除人为选择支持向量机参数的盲目性,本文研究了遗传算法、粒子群算法、果蝇算法以及混沌优化果蝇算法等智能优化算法。通过基本函数优化实验对比,对各算法性能进行详细分析。最后,将混沌优化果蝇算法应用到多核超球体支持向量机的多参数选取过程中,构建混沌优化果蝇算法-多核超球体支持向量机(CFOA-MKHSVM)模型。提出将归一化差别系数作为评估滚动轴承性能退化状态的指标,完成对滚动轴承各性能退化状态的定量评估。