近年来,随着精密仪器和高端装备的发展,复杂装备在武器、航空、航天、生产和工程等领域发挥着越来越重要的作用,其安全性和可靠性成为人们关注的焦点。这些装备功能强大、结构复杂,由繁多的核心部件按照一定的层次和结构搭建而成。在实际的运行中,装备的核心部件在各种因素的影响下可靠性差,容易成为“木桶短板”,一旦发生故障就会造成不可估量的损失。如果能够在故障发生之前为用户提供及时准确的健康状态评估、故障诊断及“视情维修”策略等服务,则可帮其将故障消灭在萌芽状态,降低维修成本,提高工作效率。因此,面向服务的复杂装备故障预测与健康管理技术（PHM）将成为复杂装备生产企业转型升级过程中亟待解决的关键技术难题。本文以旋转机械的核心部件——滚动轴承为研究对象,从监测到的非平稳振动信号数据出发,以提高健康状态评估和多故障诊断的准确率为目标,在全面深入研究振动信号特征提取、特征选择的基础上,开展改进马田系统（MTS）理论及其在复杂装备核心部件PHM中应用的研究。主要工作如下:（1）以振动信号为基础的多域特征提取和特征筛选方法研究。为全面刻画核心部件的运行状态,识别故障模式,研究了振动信号的时域、频域、Hilbert包络谱和能量熵等多域特征库构建方案。考虑到信号中的噪声对评估和诊断的影响,以自适应噪声的完备经验模态分解（CEEMDAN）为基础,提出了一种相关性和K-L散度值相结合的敏感固有模态函数（IMF）能量熵特征提取方法。为降低各域特征集的维度,筛选出与核心部件故障相关的特征,提出了基于马田系统的特征约简与融合方法。滚动轴承振动信号数据实验验证了马田系统方法可以准确识别特征集中的重要特征,在保持特征本身的分类能力的同时降低特征维数。（2）基于特征排序算法和马田系统的两阶段多域特征选择算法研究。为有效提取核心部件健康评估和故障诊断的相关指标,研究了一种基于特征排序算法和马田系统的两阶段特征选择方法。第一阶段以降低非线性特征之间的冗余为目标,利用拉普拉斯得分（LS）和Relief F算法在特征选择效率方面的优势,以算法得到的特征重要度排序为依据,提出了一种基于互信息特征聚类的特征选择算法以获取低冗余、低相关的特征子集。第二阶段则是利用马田系统筛选重要特征,有效地避免冗余性对于相关性筛选的影响。滚动轴承数据实验验证了两阶段特征选择算法在降低冗余度方面效果好,对初期故障检测、故障位置和故障程度识别效果佳,能有效提高后续评估与诊断的效率。（3）基于改进马田系统的健康状态评估方法研究。为实现面向服务的核心部件健康管理,实施主动维护,提出了基于马氏距离（MD）的健康指数模型和阈值确定方法。从马田系统算法的不足出发,提出了稳健马氏空间构建和加权马氏距离的改进思路;利用ex函数和累计和函数实现了加权马氏距离到健康指数的转化,建立了定量的核心部件健康状态评估模型;利用控制图和Johnson变换设置了健康指数阈值,以此来判断核心部件的健康状态。滚动轴承全寿命周期实验验证了基于改进马田系统的健康状态评估方法对早期故障敏感,能够准确识别出不同的退化阶段,为健康管理提供依据。（4）基于多分类马田系统的多故障模式识别方法研究。为提高故障诊断的准确性,针对马田系统在多类分类问题上的不足,提出了构建多维二分类器和搭建层次架构分类器的两种改进思路。一方面从用于分类的特征入手,将多域特征分类到多个维度,构建多维马田系统（MD-MTS）,利用分类阈值空间和分类准则确定样本所属类别。另一方面从多类别入手,将多类分类问题转化为多个二分类问题,依据类别可分程度构建有向无环图马田系统方法（DAG-MTS）,利用每个节点的马田系统阈值进行逐层分类。滚动轴承实验数据验证了两种多分类马田系统在故障位置和故障程度方面的表现均优于传统的马田系统方法和二叉树马田系统（BTMTS）方法,有效地扩展了马田系统研究领域和多故障诊断方法。