石油钻井是一种连续的作业过程，一旦发生故障将会带来严重的经济损失。钻井设备属于大型设备，有许多传动机构，易发生故障的部件主要是传动滚动轴承，因此开展对油田钻井设备滚动轴承的故障诊断具有很现实的意义。本文总结分析了滚动轴承的振动及其常见的故障形式，讨论了振动信号时域和频域的常规分析方法。由于滚动轴承出现故障时的振动信号是非平稳信号，用常规的傅里叶分析方法达不到良好的诊断效果，而小波分析可以同时从时域和频域两方面对信号进行分析，十分适用于滚动轴承的故障诊断。本文采用小波对振动信号进行消噪预处理，较好地消除了背景噪声对滚动轴承振动信号的干扰，提高了信噪比，并提出小波包频带能量特征提取的方法，有效地提取出隐含在振动信号中的故障特征。在特征提取的基础上，本文研究了RBF神经网络及其在滚动轴承故障诊断中的应用，结果表明是可行的。由于在实际工程应用中，受到数据传输带宽和存储的限制，数据样本量往往不是很充分，易导致神经网络的诊断结果不准确。针对这一问题，本文引入了基于统计学习理论的支持向量机(SVM)。以支持向量机的二值分类算法为基础，提出了支持向量机的多值分类算法。实验结果表明该方法是行之有效的，且在小样本情况下比RBF神经网络具有更高的诊断精度。