滚动轴承是各种大型旋转机械中应用最为广泛的一种通用机械零部件，同时也是最易损坏的元件之一，它们在旋转机械中起着至关重要的作用。据不完全统计，旋转机械的故障大约有30%是由滚动轴承故障引起的，可以说滚动轴承的好坏直接影响到整个旋转设备系统的性能。因此在故障早期能够及时、有效地识别滚动轴承所处的故障状态，对预防轴承进一步退化和减少或杜绝重大事故的发生具有重要意义。本文针对滚动轴承的故障状态识别问题，在对其故障机理和演化规律分析的基础上，开展了基于本征模态能量矩和隐半马尔科夫模型（HSMM）的滚动轴承故障诊断的研究，主要研究内容如下：（1）基于本征模态能量矩的滚动轴承振动信号特征提取方法把具有自适应性的经验模态分解方法应用在轴承的故障特征提取中，运用更能凸显出非平稳振动信号差异的本征模态能量矩作为故障信号的特征向量，并考虑到工程实际中背景噪声的影响，提前对振动信号进行了小波阈值去噪预处理，最大限度地降低了噪声对滚动轴承特征提取结果的影响。（2）基于隐半马尔科夫模型的滚动轴承故障状态识别方法通常情况下隐半马尔科夫模型参数的初始化是由K均值（K-means）聚类方法完成的。由于传统K-means聚类方法初始聚类中心是随机选取的，选取不同的初始中心就会得到不同的初始均值和方差。为了解决HSMM算法存在的初始化参数设置问题，将语音识别中的初始化方法运用到故障诊断中，提出了基于改进K-means算法模型初始化方法。在此基础上，提出了基于本征模态能量矩和改进隐半马尔科夫模型的滚动轴承故障状态识别方法。（3）实验方案和实验验证以机械故障模拟机为研究对象，设计了滚动轴承故障状态识别的实验方案，通过实验验证了本文提出的基于本征模态能量矩和改进隐半马尔科夫模型的滚动轴承故障诊断方法；通过与传统的隐半马尔科夫模型识别结果相比较，证明了运用改进初始化方法的隐半马尔科夫模型能够在滚动轴承的故障诊断中显著地提高了故障状态识别的速度和准确性。文章最后对工作进行了总结，并对相关的研究技术进行了展望。