滚动轴承是旋转机械设备里的核心部件之一,起到连接和固定等作用,其运行状态直接决定了设备长期运转的稳定性。因此,准确、及时的感知并判断出滚动轴承的早期故障,能够有效的保证设备长周期稳定运行,降低安全事故的发生概率,同时也能够提高企业的生产效率。本课题针对滚动轴承故障特征提取和故障分类困难等问题,研发出一套新型的诊断技术。该技术主要包括以下三个步骤:首先,采用精细复合多尺度样本熵（RCMSE）和精细复合多尺度模糊熵（RCMFE）全面挖掘轴承信号的故障特征信息。接着,利用t-分布邻域嵌入（t-SNE）对混合熵进行特征筛选,获取低维、易于辨识的特征集。最后,采用海鸥优化支持向量机（SOA-SVM）对提取的混合熵+流形学习特征集进行故障分类。通过两组轴承实验数据进行了方法有效性的验证。课题的主要工作如下:（1）为全面挖掘出轴承信号的故障信息,把RCMSE和RCMFE相结合,研发出一个新颖的混合熵特征提取方法。通过两组轴承实验数据证实了这一技术的有效性,此外与现有的多尺度样本熵、多尺度模糊熵、RCMSE、RCMFE以及MSE+MFE等单一/混合熵等方法进行比较,验证了该方法的优越性。（2）为避免RCMSE+RCMFE混合熵存在的冗余干扰,利用t-SNE技术进行有效地二次特征提取,以此得到敏感的低维特征集。采用两组轴承实验数据进行了方法有效性的验证,并与等尺度映射和局部线性嵌入等方法进行了对比。结果表明,t-SNE具有最佳的降维效果,能够进一步提取原始高维数据中的有效信息。（3）为实现轴承高精度故障诊断,采用SOA-SVM分类器对提取的故障特征集进行故障分类,利用海鸥优化算法寻找出最佳SVM参数。通过一组仿真实验和两组轴承实验数据验证了这一方法的优越性,并与现有的粒子群优化支持向量机、蝙蝠优化支持向量机以及灰狼群优化支持向量机进行了比较,通过比较发现,SOA-SVM能够准确的对滚动轴承故障类型进行有效识别。（4）在前述方法基础上,研发出一种基于混合熵、t-SNE和SOA-SVM的滚动轴承故障诊断模型。采用轴承数据和对比实验全方面验证该模型的有效性以及优越性。