锭子是纺织行业的主要零部件之一，它的动态性能直接影响到纺纱质量。锭子质量也放映了棉纺设备的发展水平，因此，对锭子运行状态进行监测有必要进行研究。锭子有很多零部件组装而成，结构复杂，每个零部件都与锭子整体性能息息相关，本文对锭子的结构特征作了简要的介绍。在锭子振动实验台上，利用粘结的方式把加速度传感器安装在锭脚处，这样来接收由锭子各部分传递过来的振动信号，对锭端的监测采用两对光电式传感器相互垂直安装，监测锭端振动位移信号。本文也详细的介绍了小波变换原理，多分辨分析等；另外也详细介绍了神经网络的特点、模型、学习方法等，尤其是BP网络以及Levenberg-Marquardt算法，归一化处理方法。锭子振动分析及故障诊断系统包括测试部分和振动分析两部分，其中测试部分由加速度传感器、电荷放大器、采样板、计算机以及相应软件组成；振动分析部分由信号分析和神经网络仿真两部分；软件系统是利用Ⅵsual C⁺⁺开发而成，可以在Windows环境下实现信号的实时采集、处理和存贮。针对不同来源的锭子，分别在不同转速下，在时域和频域对测得的振动加速度信号进行分析，获得了对锭子运行状态客观的评价，发现了造成锭子振动过大的原因。对不同型号的锭子进行了大量的试验与数据分析，其中对DFG2型锭子进行小波变换分析后发现，锭子振动第三层小波变换平滑信号的频谱中，有明显谐波成分出现，伴有谐波的分频，并且这些谱峰随着锭子转速的提高变得越来越明显，由此可知，造成此锭子振动异常的原因是锭子的杆盘组合件的变形及锭子轴承本身松动；而对D1203型锭子的第三层小波变换平滑信号的频谱分析看出，锭脚固有频率附近的某一频率随转速的提高该峰值不断增大，所以认为该锭子在该频率附近处存在缺陷，即锭脚附近某处与锭子旋转体发生摩擦现象，有可能是上下轴承不同轴引起的。对锭子进行振动分析以及小波变换后，提取该信号的振动特征，组成特征向量，利用具有典型故障的锭子振动信号的特征向量作为训练样本，对神经网络进行训练，利用已经训练好的神经网络系统对前面分析的锭子振动信号进行仿真，仿真结果与前面振动分析的结果完全一致。最后，对本论文的研究工作进行总结，对存在的问题和不足之处提出了进一步改善的设想和展望。