滚珠丝杠副作为现代工业母机——数控机床的核心部件,其状态识别方法的优劣一定程度上影响着数控机床的精度与可靠性。本文以国家重大科技专项为依托,对滚珠丝杠副状态优化识别方法开展理论与试验研究,重点研究振动信号多域特征提取方法及状态识别优化组合,通过试验数据与训练模型进一步验证状态识别策略,从而为实现滚珠丝杠副在线监测与健康预警奠定基础。研究滚珠丝杠副状态识别优化策略的根本在于:首先要明确各类特征状态及相应的提取方法;其次是开展相关振动测试试验,获取目标状态下振动信号;然后通过特征优选的方法,优化提取的特征集;最后还需验证优化策略的有效性并建立优化后的识别模型。因此,本文研究重点振动信号多域特征提取方法、振动信号获取试验、特征向量优选以及状态识别模型的建立,具体内容如下:（1）分析了滚珠丝杠副点蚀、润滑和预紧力三种状态的振动信号特点,结合时域（有量纲指标和无量纲指标）、频域及时频域三类分解方法下的振动特征提取方法,初步优选了三种状态对应的各域指标参数。（2）对滚珠丝杠副三种状态进行了振动测试需求分析,确定了针对点蚀状态开展台架试验,针对润滑和预紧力两种状态开展主机试验。分别搭建了台架和主机两类试验的振动测试系统,设计了三类状态的振动测试试验方案并完成了振动信号的采集。（3）进一步提取了包含三类状态振动信号多域特征的特征集,采用Relief-F算法,计算了各特征集中特征向量的权重值,通过阈值筛选法对三种状态的特征向量进行了一次优选。（4）以识别模型的准确度作为优选判据,对三种状态的特征向量进行了二次优选。通过进一步比较二次优选后特征向量的识别准确率,得到了点蚀、润滑以及预紧力状态的最优识别方法依次为:时域指标结合改进EMD的Hilbert包络谱特征频率提取法,小波包能量特征提取法,时域指标结合小波包熵值特征提取法。（5）选取了三类状态各3/4的最优特征集样本,分别训练了改进PSO-SVMs、GSSVMs及RBF神经网络状态识别模型,并对剩余1/4的润滑状态样本进行了识别预测,结果表明模型的预测准确率分别达到了93.33%、84.44%和80%,验证了本文状态识别优化策略的正确性以及改进PSO-SVMs识别模型的适用性。