机械设备结构的复杂性、工况的改变以及故障的发生都将会导致其振动信号具有非平稳特性。如何从这些非平稳信号中提取出有用的故障特征是能否进行机器状态监测和故障诊断的关键所在。针对现实条件下难以获取大量样本用于故障模式识别的实际情况,需寻找一种擅长小样本分析的统计学习方法对故障类型进行识别。基于此,本文提出了一种基于小波包分解结合支持向量机进行故障模式识别的混合方法,旨在为机械故障诊断提供些许更加有效的方法。　　本文利用小波包对振动信号进行分解,求出信号各频率段的能量比例值,并以此作为特征向量输入到支持向量机中进行训练、测试,从而得到具体的故障类别。以通用机械动力学故障仿真实验平台(MFS-MG)和风力发电机组传动系统动力学分析与故障预示实验平台(WTDS)为研究对象进行了实验研究,获得了大量的轴承和齿轮不同状态类别的故障样本,并用上述分类方法对轴承的正常情况、滚动体故障、内圈故障、外圈故障、复合故障(滚动体、内圈、外圈同时发生故障)以及齿轮的正常情况、齿轮断齿、齿轮缺齿、齿轮磨损、齿轮齿根裂纹进行了分类,得到了较高的分类精度,从而证实了本文所提方法的有效性。并在此基础上进行了变工况的模式识别研究,研究结果对实际的工程应用具有一定的参考价值。