轴承是机械设备中的常用部件之一，同时也是发生故障较多的元件，保证轴承的健康工作是机械得以稳定运行的前提，因而轴承故障诊断已成为机械故障诊断技术中的一个重要分支。针对目前常用的信号处理方法多为非自适应性的，在处理非线性、非平稳的振动信号时存在局限性，本文引入具有自适应特点的总体平均经验模式分解（EEMD），并提出了EEMD与样本熵相结合的特征提取方法，用于实现以信号局部复杂度信息为判断依据的故障诊断；同时针对机械故障模式存在模糊性而难以识别的问题，采用Gath-Geva聚类算法对故障进行状态识别，并将上述特征提取方法和Gath-Geva聚类算法结合起来应用到轴承故障诊断中。首先，研究了经验模式分解(EMD)的基本原理及其在信号分解中的应用；针对经验模式分解的模式混叠现象，引入噪声辅助的EEMD分解，一方面可以实现对信号按照不同时间尺度的分解，从而提取出信号的局部特征信息，另一方面还能够在一定程度上达到了抑制模式混叠的目的。其次，针对机械出现故障时其动力学特性呈现复杂性的特点，引入用于度量信号复杂性的样本熵，并分析了样本熵受参数影响、抗数据丢失能力强和具有良好的一致性等特点。在此基础上，用样本熵对信号EEMD分解出的IMF分量进行量化，可获取振动信号不同频带上的复杂度信息，进一步将其作为模式识别的输入量，为轴承的故障识别提供了依据。然后，以Gath-Geva模糊聚类作为故障识别方法，对上述构建的轴承振动信号故障特征向量进行聚类分析，实现了轴承故障的准确识别。最后，以美国凯斯西储大学的滚动轴承故障数据为研究对象，从滚动轴承不同信号类型和不同损伤程度两个方面进行实验，结果表明：基于EEMD和样本熵的特征提取方法能够有效地对两种情况下的滚动轴承故障特征进行刻画，并且Gath-Geva聚类算法在故障诊断中取得了良好的识别效果。