随着国家工业化的不断推进,工厂中的机械设备自动化程度越来越高,对机械设备故障诊断技术的研究也愈发重要。滚动轴承作为旋转机械中应用最广泛且最易受损的零件之一,其振动信号的复杂性和非平稳性推动着滚动轴承故障诊断技术逐渐趋于智能化。本文主要研究了滚动轴承故障诊断技术中故障特征提取和故障模式识别两方面内容:在故障特征提取方面,文中首先研究了小波分析法的理论知识,采用小波分析法对轴承故障诊断试验台上提取的振动信号进行降噪处理,然后再对降噪后的信号通过小波包变换来进行能量特征提取,最后将提取到的能量特征作为后续模式识别中的故障特征向量。在故障模式识别方面,本文对机器学习中的BP神经网络、支持向量机(SVM)及堆栈稀疏自编码(SSAE)网络进行了详细的论述。首先研究了BP神经网络的工作原理,并根据故障数据对网络结构和网络参数进行确定,随机选取故障样本集中的数据对网络进行训练和测试,取得了良好的效果。其次,研究了SVM的分类性能,探究不同核函数和不同核参数对分类效果的影响,将其应用到轴承的故障诊断中取得了较好的效果。鉴于上述两种方法均为有监督式的学习方法,需要同时对输入数据和故障类型作标签来实现分类,因此本文最后提出一种基于SSAE的新型智能无监督式故障诊断方法。该方法以小波包提取的能量特征向量作为网络的输入,分析讨论了不同隐含层节点数组合对网络分类性能的影响;确定网络结构和参数后,探究了该模型对轴承正常状态、内圈点蚀状态和外圈点蚀状态的分类效果;通过对比BP神经网络和SVM的诊断结果,验证了该方法的有效性和准确性。