作为人工智能领域中的一种新方法—粗糙集理论，是继概率论、模糊集理论、证据理论之后的又一种新的处理不确定性信息的数学方法。它不仅为信息科学和认知科学提供了新的科学逻辑和研究方法，而且为智能信息处理提供了有效的处理技术。粗集作为一种处理不确定、不精确数据的数学工具，从新的角度认识知识，特别值得注意的是它与其它软计算方法有很强的集成能力。此种背景下，基于粗分析的智能决策就成为决策学科的一个前沿问题。选择合理有效的简明属性集，是粗集研究的重要内容。最优属性选择也是NP-hard问题。机械故障诊断是根据设备运行状态信息查找故障源，并确定相应决策的一门综合性科学。故障源发出的信息，是通过系统的特征和状态来传递的。故障诊断技术中，最关键也是最困难的问题之一是故障特征提取。它制约着故障诊断的准确率和故障早期预报的准确性及可靠性，是当前故障诊断研究中的瓶颈。有些反映早期故障特征的信号常常比较微弱，而相应的非故障特征信号分量却比较强，往往会淹没那些反映早期故障征兆的信号，这些信号有的直接反映系统的故障，有的需要进行加工处理后得到新量(如模型参数)才能反映系统故障。为了更有效、更容易地获得故障特征信息，本文建立了小波—自信息包络解调法。本文建立了滚动轴承故障诊断实验装置，模拟了典型的滚动轴承故障，对所建立的故障诊断方法进行了验证和校核，通过对比Hilbert法表明，该方法能更有效的提取轴承故障特征。本文还研究了一种新的时频分布，通过实验研究表明该时频分布在能量聚集方面优于传统的WVD，更容易诊断轴承故障和监测轴承局部故障的发展趋势。本文采用了正、反进动理论特征值作为条件属性，运用粗集—熵最大理论获取最优特征集，然后运用BP、RBF对转子碰摩、不平横故障进行了诊断。本文针对轴承故障的特点，建立了滚动轴承动力学模型。频率特征量采用经小波—自信息包络解调法获取的谱熵、特征频率最大谱值、谱能量，时域特征量采用经本征模态法获得的组合信号的绝对平均值、有效值和峭度值，将频率特征量和时域特征量作为条件属性，运用粗集—熵最大理论获取最优特征集，然后应用自组织映射对轴承故障进行了诊断。本文建立了轴承故障字典，该方法能准确的诊断出轴承故障。为工程师提供更好的故障诊断辅助工具。本文经过大量实验表明运用粗集—熵最大理论获取最优特征集，在达到相同分类的前提下能缩短神经网络训练时间。