轴承作为旋转机械的重要组成部件,其健康状况影响机械设备的正常运行。因此,轴承运行状况的监测和诊断对保证机械设备的正常运行有着极为重要的意义。本文以列车轴承和普通滚动轴承为研究对象,提出基于改进线性判别分析（Improved Linear Discriminant Analysis,ILDA）的状态特征提取方法和基于自适应线性判别分析（Adaptive Linear Discriminant Analysis,ALDA）的状态特征提取方法。这两种方法从不同的角度研究如何提取有效的状态特征,结合机器学习理论实现轴承的故障诊断。针对传统线性判别分析方法在计算最佳投影方向时过度重视类间离散度大的数据,未考虑类间离散度小的数据。本文提出改进线性判别分析方法用于列车轴承轨边畸变矫正声音信号状态特征的提取。该算法利用距离函数调节LDA算法的类间散度矩阵,增加出现类间交叉或重叠样本的权重,降低无类间交叉或重叠样本的权重,减少异类样本点间的交叉或重叠。首先,采集列车轴承畸变声音信号,并矫正。然后,利用ILDA方法提取列车轴承畸变矫正声音信号的融合状态特征,并对传统特征提取方法进行对比。最后,通过极限学习机（Extreme Learning Machine,ELM）辨识列车轴承的运行状况。实验结果表明,ILDA方法提取的状态特征比传统方法提取的状态特征具有更高的识别率。另外,提出基于自适应线性判别分析的轴承状态特征提取方法,用于滚动轴承的故障诊断。该算法利用样本聚类评价指标（Sample Clustering Evaluation Index,SI）自适应调节LDA算法类内散度矩阵的权重,减少不同类别样本间的交叉或重叠,尤其是边缘类样本。首先,采集滚动轴承的振动信号。然后,利用ALDA提取能够反映滚动轴承运行状态的融合特征。最后,通过支持向量机（Support Vector Machine,SVM）识别轴承的运行状况。实验结果可以发现,ALDA方法提取的状态特征比传统方法提取的状态特征具有更高的识别率。本文首先基于列车轴承仿真信号和试验信号验证ILDA算法的有效性,然后基于美国凯斯西储大学（Case Western Reserve University,CWRU）轴承试验数据验证ALDA算法的性能,最后使用滚动轴承疲劳试验数据分别验证ILDA和ALDA算法的有效性。研究结果可以发现,本文所提出的ILDA和ALDA方法能够有效提取表征轴承运行状况的状态特征,状态特征的识别精度显著高于其他传统特征提取方法。本文的研究成果对于轴承故障诊断具有重要意义。