随着我国工业的迅猛发展,对机械设备的要求越来越高,对工业生产体系的每一个环节也越来越规范,这不仅体现在对设备的精密性、质量、成本控制等领域的高要求,也体现在对整个工业生产中的可能产生的故障预判上。机械设备也随着工业发展的需求开始向大型化、集成化、高速化、精密化、智能化方向发展。其中滚动轴承是电力、冶金、石化、机械、航空航天以及一些军事工业部门应用最广泛的机械零件,也是机械设备最容易受损的零件之一。本文首先介绍了几种典型的滚动轴承故障形式和原理,以及在对应的故障形式下故障部分通过频率的计算方式。然后根据自己实验平台的情况合理的选取了实验用轴承,并且对试验平台的相关仪器做了调试并确定了相关实验步骤,确保实验的准确性和合理性。其次论述了小波包分解方法以及其相应的改进方法原理,运用改进小波包方法结合阈值降噪方法,同时基于能量熵和相关系数以及峭度准则,提出了滚动轴承故障特征信息提取的改进方法。在实验中对于此方法进行了验证,证明了这种特征信息提取的可行性和合理性。同时论述了自适应噪声完全集合经验模态分解方法的原理以及基本步骤,然后运用该方法结合小波包对故障轴承信号进行特征提取,运用Hirbert-huang对提取的特征信息进行包络谱分析,得到故障频率。在这一章的后面部分,我们会对选取的轴承应用此方法做验证,并有效证明此方法的实用性。最后主要对目前比较火热的智能算法-模糊神经网络做了一个介绍,包括原理特点和分类。自行设计了一个实验模型并用神经网络的方法去验证其可靠性,所得结果符合实验目的和设想。在实验中,构建了两类诊断网络,一类是直接运用神经网络诊断轴承故障,还有一类是神经网络结合模糊诊断进而提高了轴承诊断的准确性。在实验过程中表明在选取合适的参数特征输入向量的基础上训练得到的模糊神经网络能够更加的准确判断出多种滚动轴承故障模式。