作为机械系统的关键组成部分,滚动轴承的状态好坏对机械系统能否正常工作起决定性的影响,因此对轴承所出现的故障进行诊断分析具有重要意义。诊断的重心在于真实信息的提取与模式识别。前者通常表现为状态特征参数,至于后者实质上是一种相互对比和划分类别的过程。论文以滚动轴承的振动信号为研究对象,分别从信号处理、特征提取以及模式识别这三个方面对滚动轴承的故障诊断进行研究分析。主要研究工作有:首先,针对故障特征频率提取的问题,提出了基于最大相关峭度反卷积(MCKD)与局部特征尺度分解(LCD)的轴承故障诊断方式。通过分析在信号处理的优势后,将两者相结合应用到实测信号中,结果表明该方法能够提取出更为丰富的故障特征频率。然后,针对故障诊断中的信息提取与模式识别,分析了排列熵和模糊聚类算法。排列熵的运算速度快,能够直接度量对象的复杂程度。通过对演化模型和随机信号进行研究,证明其在检测信号突变和表征特征信息的有效性,并分析选择了适用的参数;模糊聚类作为一种无监督的模式识别方式,能够将相互之间具有差异性的数据集合划分开来,而其中的Gath-Geve聚类不受形状方向分布的约束且对非线性类型的数据适应较好,将其作为故障类型的识别手段,综合这两方面为模式识别做好铺垫。最后,以相关实验台中的滚动轴承单一故障和复合故障为目标进行实验分析,验证模糊聚类识别不同故障工况的有效性和优越性。通过对故障振动信号进行MCKD-LCD处理后并从中筛选计算用于构造特征信息向量,将其输入到聚类器中进行故障识别。与其它方式相对比,利用对应的评价指标证明了文章所提方法的优越性,实现了对滚动轴承不同工况下的特征提取和故障识别。实验研究结果证明,文章提出的基于模糊聚类的故障诊断方法能够有效识别出不同状态的轴承故障,为相关设备的故障诊断提供新的理念。