大规模、高精度的现代化机械设备的各部件之间的联系、耦合相当紧密，当某一部件发生故障，整台设备、甚至是整条生产线都将受到影响。滚动轴承作为机械设备中最常见的零部件之一，其运行状态又直接影响到整台机器的性能。在对滚动轴承的诊断过程中，其诊断模式与特征向量之间是非常复杂的非线性关系，用振动信号的时域、频域分析方法很难全面地反映。人工神经网络在故障诊断领域显示出巨大的应用潜力。本文以精密电机轴承故障诊断问题的研究为背景，通过对其故障特征的分析，提取适合的特征参数，利用神经网络的强非线性映射能力和遗传算法的全局优化能力建立诊断模型，探讨了其在电机轴承故障诊断中的应用。在阅读分析了大量关于数据驱动的故障诊断方法的基础上，本文提出一种对遗传神经网络的故障诊断算法的改进：为了避免进化初期超个体的误导作用，对适应度函数做了调整；采用适合于浮点数编码方式的算术交叉策略和非均匀变异策略，并增添交叉次数和变异次数，以加快模型的收敛速度。又提出一种改进的免疫遗传神经网络故障诊断方法，以“自我调节”机制为理论基础，提出一种基于抗体期望繁殖率的自适应交叉变异概率调整方法，使与抗体自身息息相关。同时又受到精英策略的启发，对算术交叉算法中的组合系数做相应改善，使改进后的算术交叉算法，更加偏向于适应度较高的个体进行线性运算。重新定义了基于欧氏距离的相似度的计算方法，提出一种“3σ”计算方法，使得对门限的设置更简单直观。在MATLAB平台下进行仿真实验，实验结果表明，提出的二阶段数据预处理方法是有效可行的；门限值简单化的设定提高了该方法的泛化能力，建立的遗传神经网络（GA-BP）故障诊断算法和免疫遗传神经网络（IGA-BP）故障诊断算法具有更快的收敛速度，更强的自适应性，对故障类型具有较为准确的分类能力，诊断效果良好。