目前，虽有一些旋转机械状态监测与故障诊断技术已付诸于工程应用，但实践表明，其在诊断原理、性能和效果等方面尚存在一定不足，有待改进完善。为此，国内外广泛开展了故障诊断新方法的研究，计算机技术、网络技术、信号处理技术和通信技术等现代科学技术的发展，也为此项研究奠定了良好的基础。 统计学习理论和支持向量机是近年来出现的崭新的模式识别领域新理论和新技术，已在多个应用领域中表现出其卓越的性能。本文对统计学习理论和支持向量机在旋转机械故障诊断中的应用进行了较全面的研究。 主要研究工作和贡献如下： 简要介绍了统计学习理论和支持向量机，探讨了适合故障诊断的支持向量机结构，并通过与两种神经网络的对比实验，研究了支持向量机用于故障诊断的优越性。在对实验结果全面分析的基础上，总结出支持向量机在旋转机械故障诊断领域中应用的若干结论。为不平衡和碰摩故障的诊断提供了最优参数和最优特征量；还为支持向量机在不同条件下诊断故障的参数确定，总结出了有效方法。 研究发现，统计学习理论中确认的支持向量机可以自动地确定径向基核函数参数这一规律，在旋转机械故障诊断领域中某些条件下并不适用。 使用神经网络和支持向量机进行了小样本对比实验。实验表明，支持向量机非常适合小样本故障诊断问题。同时发现，存在一个最佳训练样本比例值，在该比例值上，不同核函数支持向量机的故障诊断错误率均趋于稳定，也就是说这个比例值确定了在保证故障诊断准确率的条件下，所需要的最少训练样本数。 针对不同特征量进行了大量的实验，实验结果显示出，特征量对故障诊断的准确率影响很大。此结果表明，特征量选择研究具有重大意义，而不能仅注重提高学习机器性能的研究。 提出了将信息增益图的方法用于特征量选择。信息增益图可以快速、直观和量化地显示不同特征量蕴含故障信息的多少，从而为特征量的选择提供依据，而不再是仅仅依靠个人经验。使用该方法发现，转子振动的一、二、三阶正进动和反进动量对于不平衡和碰摩故障的信息增益最大。因此，这些量是重要的故障特征量。 提出了SV—进动图方法辅助故障诊断。SV—进动图是由转子振动的正进动和反进动量构成的二维平面图。可通过颜色对故障进行分类，而故障可能性则由亮度来表现。由此改变了传统的进动表现方式，能更直观、便捷地显示设备状态，从而为工程师提供更好的故障诊断辅助工具。