旋转机械的轴心轨迹作为转子振动状态的一类重要图形征兆，包含了大量的故障信息，是诊断专家在诊断过程中采用的一项不可缺少的故障征兆信息，由于轴心轨迹的提纯效果、轴心轨迹的特征自动提取和形状自动识别的水平，都直接影响着故障诊断专家系统的智能化水平，因此我们需要对轴心轨迹全面的进行研究。本课题结合滑动轴承支撑的转子—轴承系统的实测轨迹，分别从轴心轨迹的理论计算、提纯和自动识别三个方面对旋转机械的轴心轨迹进行研究。首先根据轴承的结构，对轴承系统进行了短轴承理论假设，推导出基于短轴承理论的油膜压力解析表达式，进而通过求解系统的运动微分方程来获得该转子—轴承系统理论上的轴心轨迹图形。其次将小波分析理论运用于轴心轨迹的提纯，结合提纯效果的对比说明利用传统的小波进行提纯时需要选用合适小波进行分解，并需要分解到合适的层数才能够获得较好的效果。在此基础上，由于谐波小波具有明确的表达式，实际上是个理想的滤波器，并且具有较为简单的算法，所以将谐波小波引入轴心轨迹的提纯，效果显示谐波小波具有更好的提纯效果。再次进行轴心轨迹的特征提取。本文采用图像处理的方法，对轴心轨迹的形状特征进行提取。先将轴心轨迹图形转换成图像，再以图像的不变矩作为轴心轨迹的形状特征，通过仿真试验验证不变矩并不随着图像的伸缩、旋转等变化而变化，因此用不变矩作为轴心轨迹的形状特征是可行的。然后进行轴心轨迹的自动识别。由于神经网络具有高度的非线性映射能力、较强的容错能力和自学习能力等优点，对于分类识别的问题非常适用，所以构建了BP网络对轴心轨迹进行自动识别，仿真结果显示利用神经网络对轴心轨迹进行自动识别具有很高的准确率。最后在转子—轴承试验台上获得实际的轴心轨迹，并对上述方法进行了一一验证，结果表明本文中讨论的研究方法可以取得较好的效果。