机械系统的运行好坏与滚动轴承的运行工况息息相关,滚动轴承作为旋转机械中的重要支撑部件,对其进行早期的故障模式识别是机械系统可靠性分析的关键工作。在现有的模型识别方法中,支持向量机（Support Vector Machine,SVM）的数学理论更为完备,在故障诊断领域的应用也较为成熟。因此本文就SVM的数学理论展开深入研究,学习借鉴SVM的最大边距思想,在此基础上引入附权重优化的0-1百分比损失函数来改进传统0-1损失函数对不平衡数据敏感性的缺点,并采用自适应协方差矩阵进化算法（Covariance Matrix Adaptation Evolution Strategy,CMAES）找到最佳的权值矩阵,提出一种基于修正0-1损失函数的最优边距进化理论识别算法,并将该算法应用于滚动轴承故障部件的诊断工作中。本文所完成的研究工作包括:在特征提取方面,针对传统离散小波变换（Discrete Wavelet Transform,DWT）在处理含噪振动信号时反映出的抗混叠性和平移性较差的问题,采用双树复小波包变换（Dual Tree Complex Wavelet Packet Transform,DTCWPT）对其进行替换,利用含噪仿真信号验证了DTCWPT具有较好的抗混叠性和可平移性。针对传统0-1损失函数处理不平衡数据时反映出来的不平衡敏感性问题,采用统计错误分类损失率的形式修正其统计错误分类实例数目的形式,由于损失率只能表征模型的整体平均识别准确率,无法表征模型对每个类别群体的识别效果,故提出附权重优化的0-1损失函数,其在损失率的基础上引入模型对各类样本识别准确率的比值表示权重系数,以此来平衡识别模型对各个待识别目标类群之间的识别准确率。针对进化策略（Evolution Strategy,ES）通过正态分布产生突变子代的过程中可能会产生的通用步长和无效突变问题,引入CMAES进化优化策略,通过高斯分布的采样方式和进化路径的迭代更新策略对其子代的突变程度和突变方向进行控制,将CMAES进化优化策略用于最优边距进化理论模型权值矩阵的寻优,不仅加快了模型收敛的速度,还提升了参数寻优的效果。将DTCWPT运用于轴承故障的数据预处理场景中,将DTCWPT分解得到的特征系数输入到最优边距进化理论模型及监督学习模型中进行训练与识别。在两个数据库中实现了基于最优边距进化理论模型的效果验证:在美国凯斯西储大学数据库中,将原始内圈损伤、外圈损伤、滚动体损伤及健康信号数据输入到不同模型中进行故障的诊断识别,从横向和纵向两个方面对其进行识别效果比较,然后将经过特征处理的单一直径故障数据和混合直径故障数据也进行相应的横纵向试验比较;在德国帕德伯恩大学数据库中,同样将原始故障数据输入到不同模型中进行故障的识别,从横向和纵向两个方面对其进行识别效果比较,然后将经过特征处理的故障数据进行相应的横纵向试验比较;结果表明最优边距进化理论模型在不同数据库的平衡与不平衡数据下均具有最佳的故障识别效果。