随着现代工业和科学技术的迅速发展，特别是计算机技术的发展，现代设备的结构越来越复杂，自动化系统的规模越来越大。一个大型的设备系统往往是由大量的工作部件组成的，不同的部件之间互连，紧密耦合。这一方面提高了系统的自动化水平，为生产带来了可观的经济效益，另一方面由于系统运行的因素骤增，使其产生故障和失效的潜在可能性越来越大，一个部件故障常常引起链式反应，导致整个系统甚至整个生产过程不能正常运行乃至瘫痪。所以现代系统运行的安全性和可靠性已成为人类必须解决的刻不容缓的问题。 本文结合当今世界一些先进的旋转机械故障诊断的方法和技术，提出了一个新型的故障诊断方法，并在实验和工厂现场中验证。实验表明基于RBF神经网络的旋转机械故障诊断方法的科学性和实用性，具有一定的实用价值。本文主要研究以下内容：1．根据普通BP神经网络训练收敛速度慢和精度不高的缺陷，研究了几种BP神经网络的改进模型，并通过实验数据进行仿真，得出改进的BP神经网络在故障诊断中比普通BP网络具有很大的优势。2．提出了基于RBF神经网络的故障诊断，分析了RBF神经网络原理，用MATLAB语言实现了RBF神经网络仿真，并对故障进行诊断，并和BP神经网络诊断的结果进行了比较分析。把RBF网络仿真模型应用于通过BENTLY实验台模拟常见的几种旋转机械故障所得到的故障数据和在工厂现场(燕山石化注水机组)得到的数据进行故障诊断，其诊断结果与实际故障类型吻合，证明了此RBF神经网络模型在故障诊断中的有效性，具有一定的实用价值。