随着机械设备大型化、自动化发展，设备环节之间的关联也越来越紧密，零部件的故障往往造成链式反应，导致整个设备受损，从而造成巨大的经济损失。现代机械设备的结构复杂、影响因素多变、表现行为多态，往往很难精确诊断故障发生的原因以及评估设备的运行状态。因此及时有效地诊断故障发生的原因和位置，分析故障发生的规律和起因，预防或避免故障造成重大损失，有着重要的意义。而如何从采集的复杂高维非线性数据中有效地提取故障的特征信息，根据特征信息进行智能识别和分析，是提高故障检测和诊断正确性的关键。本文研究了基于流形学习与球结构一类分类算法相结合的故障诊断方法，并进行了转子和滚动轴承故障诊断实验研究，主要工作如下：一、分别在特征提取和模式分类两个角度综述了机械故障诊断的研究现状和发展概况。分析了流形学习方法在提取高维非线性故障数据的本质结构特征方面的优势，以及只需要一类样本就可以实现机器学习的一类分类算法的特点。表明了本文基于流形学习和一类分类的故障诊断的研究意义。二、深入分析了流形学习方法中的拉普拉斯特征映射算法，考虑到该算法中邻域因子k以及嵌入维数d的选择对正确提取低维流形特征的结果有很大影响，通过引入网格搜索法结合Silhouette指标来定量评价LE降维的质量，提取最优参数使得降维效果最有效地逼近原始数据的拓扑结构，提高了算法的性能。三、研究了一类分类算法的相关理论以及通过网格搜索法结合交叉验证的方式对相关参数实现寻优。并且研究了如何将一类分类算法应用于多类识别，本质上是对同一类样本用一个超球体来界定，采用多个超球体来实现多类样本的识别。四、结合优化的拉普拉斯特征映射算法和一类分类的多类分类法，将该方法应用于滚动轴承故障诊断以及转静径向碰摩故障诊断实验。通过改进的拉普拉斯特征映射法提取故障数据中的有效敏感特征，并以一类分类的多类分类算法训练特征数据，实现对故障的分类识别。结果表明了该方法应用于滚动轴承故障诊断以及径向碰摩位置故障识别的正确性和有效性。