旋转机械在运行过程中,滚动轴承作为易损伤部件,极易发生故障。因此,对滚动轴承故障诊断的研究十分重要。论文在分析滚动轴承故障的研究现状基础上,针对振动信号分解、信号分量的筛选和特征向量矩阵的构建、以及分类识别等三个方面进行研究,提出一种基于局部均值分解(Local mean decomposition,LMD)样本熵(Sample Entropy,SampEn,SE)及参数迁移学习的滚动轴承故障诊断方法。首先,分析了经验模态分解(Empirical Mode Decomposition,EMD)方法的特点,指出其具有端点效应及频率混叠现象等缺陷。由此引出基于LMD的振动信号特征提取方法,LMD方法将振动信号自适应地分解为多个具有物理意义的乘积函数(product function,PF)分量之和,减小了端点效应对分解准确性的影响,同时克服了对每个信号都要进行希伯特分解的弊端,使分解具有更好的适应性和准确性。对相同信号分别使用EMD和LMD进行分解,分解结果的时频特性表明,LMD方法可以更好的抑制端点效应和频率混叠现象。然后,采用斯皮尔曼相关系数对LMD分解振动信号后得到的各PF分量进行筛选,筛选出足以表征原信号特征的分量,并提取其样本熵构成特征矩阵来突出表征原振动信号中的故障信息,为轴承故障分类识别提供特征向量。接下来,通过分析传统机器学习对特征信号进行分类识别时的局限性,提出一种基于参数迁移学习的特征信号分类识别新方法。通过规定源域和目标域,对源域和目标域进行分析构造映射函数,然后对源域和目标域特征向量进行迁移映射得到目标域的重映射,最后对目标域参数进行分类识别。通过仿真实验对比分析表明,基于参数迁移学习的故障识别方法具有更好的准确性。最后,对本文提出的方法进行实验验证及实际应用。首先采用美国凯斯西储大学(Case Western Reserve University,CWRU)的滚动轴承故障信号,采用本方法和SVM方法分别对轴承不同位置故障和同位置不同程度故障进行对比诊断,证明了本方法的有效性和优越性。然后将本文方法应用在上海宝钢实际采集的数据分析中,取得了良好的诊断效果。