滚动轴承作为大型旋转机械中应用最广泛的部件之一，其性能状态直接决定着整个系统的生产与运行状况。滚动轴承一旦发生故障，可能带来巨大的经济损失和人员伤亡。因此，对滚动轴承故障识别方法开展研究，准确及时识别滚动轴承运行过程的故障状态，对保证机械系统安全运行，避免重大灾难损失意义重大。　　故障识别技术的核心是有效的利用故障信息，从而在特定的环境下对诊断对象进行准确的故障识别。目前故障智能识别技术面临的主要难题是典型故障样本的不足和样本获取后各类别数目有可能不均衡，以及智能识别方法的发展不足。这二者都严重制约着故障识别技术的发展。近年来，基于统计学理论的支持向量机(Support Vector Mechine, SVM)成为机器学习领域中的一个重要方向，其在处理小样本有着优越性，为滚动轴承故障识别技术提供一种新方法。　　本文以实现多核支持向量机在滚动轴承故障识别中的应用为目标，在支持向量机核函数理论、核函数参数优化和多核支持向量机模型的建立等方面进行了研究：　　1.滚动轴承实际各状态数据一般具有不均衡的特点，分类时采用单一核函数存在一定的局限性。针对此问题，通过将Gauss径向基核函数与多项式核函数线性组合起来，构造了多核核函数支持向量机模型。　　2.针对支持向量机多参数选择的盲目性，研究了果蝇优化算法(Fruit fly Optimization Algorithm, FOA)，对所构造的多核支持向量机模型，采用FOA方法对该模型的各参数进行优化选择。利用加州理工学院(University of California at Irvine, UCI)标准数据集进行验证，通过实验对比，证明了FOA的优越性。　　3.利用构造的基于果蝇优化算法的多核支持向量机模型，对滚动轴承正常及不同类型的故障样本进行分类识别实验。结果表明，所提出模型的分类准确率较高，较好的完成了预期目标。