随着工业水平的不断提高,制造企业的生产装备更加复杂化、智能化、大型化,从而使其故障出现的概率变大,维护费用提升。所以,对复杂装备的关键部件进行故障模式分类,及时判断故障类型和故障的受损程度是有意义的。这些故障分类信息可以辅助决策相应的维修或者更换工作,降低维护成本,增强设备的可靠性。滚动轴承是复杂装备中最重要的也是故障发生概率最大的关键部件。因此,将滚动轴承作为本文的研究重点,建立基于数据驱动的滚动轴承故障模式分类模型。基于数据驱动方法包括频谱分析法和特征提取法。而特征提取法又分为多元统计学习相关方法和机器学习相关方法。马田系统属于典型的多元统计学习方法,支持向量机属于典型的机器学习方法。本文首先利用EEMD方法对来自振动传感器的的原始振动信号进行分解,得到一系列的固有模函数（IMF）,构造故障敏感IMF选取方法筛选出与故障信息相关性高的IMF。然后计算各IMF的时域和频域特征参数以及原始信号的能量熵参数,构造初始的多维特征空间。接下来使用马田系统中的正交表和信噪比进行特征降维,得到精简特征空间。由于马田系统和支持向量机本质上是二分类器,本文构建偏二叉树结构,利用类间距离法中的欧氏距离确定二叉树的顺序,从而分别构建了马田系统故障模式多分类模型和支持向量机多分类模型。通过对两个模型的实验数据结果进行比较和分析,得出相应的结论。本文使用美国凯斯西储大学滚动轴承实验平台的实验数据验证模型的有效性,将滚动轴承的故障模式分为故障类型和故障受损程度,故障类型分为正常类、内圈故障、外圈故障和滚动体故障,一共4类。每一种故障类型又分为轻微、中度和严重三种受损程度,所以故障受损程度一共10类。本文设置了4组对照实验,前3组实验结果验证本文所提的方法的有效性。第4组对照实验结果表明,马田系统在对滚动轴承的故障类型进行分类预测的准确率和支持向量机基本一致,但模型的效率高于支持向量机。但是支持向量机对滚动轴承故障的受损程度分类的效果远远好于马田系统。同时,当特征空间的维度很高时,马田系统便不再适用,而支持向量机可以轻松处理高维数据。