轴承能够降低轴体与旋转机械底座之间的摩擦系数,提高旋转机械设备的工作效率。在机械设备实际工作生产的过程中,轴承设备常在超负载和超高温的环境下运行,容易出现故障,导致设备整体瘫痪,无法工作,因此需要轴承故障检测技术,及时判别轴承的故障状态,根据判定结果进行针对性地保养和维修,减少因轴承事故对生产和生活造成的影响。对于轴承运行状态的检测一般是通过获取轴承运转时产生的振动信号,从中提取出包含故障信息的数据进行分析。但是实际工程情况中,采集到的数据大多是高维且包含冗数据的复杂信息,不仅增加了算法的计算复杂度,还导致了“维数灾难”。因此对采集到的高维振动信号利用智能算法展开研究,其中如何缩小要检测的样本范围,减少原本高维数据中的冗杂信息,提高最终的故障检测准确率等问题吸引了广大学者进行研究。本文对流形学习算法进行了梳理,选取了其中具有代表性的局部线性嵌入（Locally Li near Embedding,LLE）算法进行改进,并将其与经典识别算法支持向量机（Support V ector Machine,SVM）算法相结合,提出了一套基于LLE算法的轴承故障诊断方法,论文主要工作如下:（1）针对采集的轴承数据集表现出较强的非线性,采用欧氏度量方法难以准确估计出样本间的相似性,影响最终特征提取效果的问题,提出了一种基于信息熵度量的局部线性嵌入（Local Linear Embedding based on Information entropy measure,ILLE）算法。该算法首先利用信息熵统计样本特征间的混乱程度,提高划分局部邻域的准确性;然后,建立局部重构模型,挖掘出流形的本质结构;最后利用局部结构构建低维重构模型,以获得样本的显著特征。在凯斯西储大学（CWRU）数据集上的实验证明了本算法在特征提取方面的有效性。（2）针对LLE算法不能有效利用数据类别信息,从而无法最大限度发挥算法降维性能,同时线性判别分析（Linear Discriminant Analysis,LDA）算法无法解决小样本的问题,提出了一种基于局部线性嵌入的线性判别分析方法（Linear discriminant analysis method based on local linear embedding,LLE-LDA）。由于LDA是一种有监督算法,将LLE算法与LDA算法相结合,数据可以利用类别标签进行分类,提高算法的故障提取和分类能力。将算法应用到CWRU数据集中,将得到的结果与其它降维算法进行比较,具有更直观的可视化结果和更高的类间类内比,证明了本算法的有效性。（3）将上述改进后的降维算法与SVM算法进行融合,提出了一种轴承故障诊断方法,并在旋转机械的故障测试平台进行测试,实验结果证明了所提方法比其它同类算法具有明显的高准确率,在实际工程中具有较好的应用价值。