选择顺应性装配机器手（SCARA）的健康状态对自动化生产线至关重要。同时,在长期高强度的作业情况下,SCARA的可靠性会降低,如果不及时排除潜在的隐患,会导致SCARA系统性功能丧失,进而造成不可估量的损失。鉴于此,本文以SCARA运动时的机械振动信号为切入点,对其进行处理分析并提取其有效的特征信息,并结合识别算法诊断SCARA的机械状态,实现机械故障的及时排查。本文研究内容主要有机械振动信号的采集、信号预处理、特征提取与数据增强、状态识别四个部分。首先,针对SCARA的基本结构和常见故障类型,模拟了SCARA两种常见且潜在的机械故障状态以及两种故障均发生的混合状态,即长久作业导致的螺柱松动故障状态、底盘受侧压力磨损导致的基座不稳故障状态以及两种同时发生的混合故障状态。模拟的三种故障均属于潜在故障,SCARA的功能暂未丧失,但关键在于潜在故障不容易被及时发现。因此,基于SCARA的振动信号进行机械故障诊断研究对工业生产有着积极的现实意义。其次,在振动信号预处理阶段,本文在小波降噪的基础上提出了一种自适应改变阈值和量化方式的改进型的小波降噪方法,实现了对原始振动信号的降噪。新的降噪方法兼顾了软阈值和硬阈值两种量化方式的优势,同时能够根据原始振动信号自适应的调整阈值大小。总的来说,新的降噪方法更具有灵活性,使得降噪后的振动信号效果更好。然后,介绍了一种特征提取方法和一种规范模型输入的方法,分别是基于小波包多分段熵（WPM-SE）的特征提取方法和基于多方式实现数据增强（MWDE）规范模型输入方法。WPM-SE特征提取方法是通过对小波包变换（WPT）后的子信号形成的包络谱进行分段研究,用信息熵量化各分段区间信号的相对偏移和微小突变,并得到多分段熵（M-SE）特征向量。MWDE规范模型输入方法是用WPT和经验模态分解（EMD）两种方式对振动信号进行交替转换和相关系数重构实现样本扩充,并转换为特征关联性更强的频谱图,最终实现数据增强。最后,两种SCARA故障识别模型被建立。针对WPM-SE的特征提取方法,建立一种包含两个隐藏层的反向传播神经网络（D-BPNN）模型进行状态识别。针对MWDE规范模型输入方法,建立一种二维卷积神经网络（2D-CNN）模型对转换的频谱图进行特征学习和故障识别。两种故障识别模型的测试结果验证了所提出方法的可行性和有效性。