在智能故障诊断技术的研究中，小波分析和神经网络技术都是热点研究内容。本论文主要进行了基于小波分析的信号处理和基于神经网络的智能故障诊断两方面的理论上的研究工作。主要研究内容总结如下： 1、RBF网络训练的关键在于隐含层参数的确定。RBF网络目前已有的几种训练方法对于含有随机噪声的复杂样本训练速度过慢且分类性能不稳定。针对这些缺点，本文依据相对熵最小原理，提出了一种改进的RBF网络训练方法——输出-输入聚类法。利用此方法对旋转机械故障样本进行训练，并与其它方法进行了比较，结果显示此训练方法用时短，网络结构简单，受噪声影响小。将所创建网络应用于故障诊断，实例表明此方法训练的网络诊断结果非常准确，在故障诊断中具有良好的应用前景。 2、本文还研究了小波(包)母函数及基的选择问题。小波及小波包变换在故障诊断领域中有着广泛的应用，它帮助我们获得大量故障信号的特征信息。但是，面对大量的小波母函数以及变换后的很多小波包基，我们需要选择合适的小波母函数及其基，因为并非任意的小波母函数及任意的小波包基都是合适的。本文结合信息熵的理论，在故障诊断领域中，提出了利用RBF网络进行小包基选择的方法，从而确定出反映信号特征所需小波包分解的层次及分支。 3、本文还提出了一种旋转机械故障诊断方法。其步骤如下：首先对旋转机械的振动信号进行小波包分解，对分解后的信号提取特征信息；由于特征数量较多而且其分类性能差别很大，所以本文利用RBF网络对其进行选择以得到分类性能最好的一组特征；最后，利用所确定特征及相应的RBF网络分类器进行故障诊断。本方法对于诊断频率分布范围较广且信号具有较强时变性的复杂故障有着良好的应用前景。在故障诊断中的实践也验证了该方法的有效性。 在论文中涉及的许多问题尚须今后继续研究。如小波包的实际应用中，小波母函数的选取标准。基于小波包变换的RBF网络所能诊断的故障范围需要扩大，如加入对转子碰摩、零部件脱落等多种其它常见故障的诊断功能。本文所做的工作仅限于对故障诊断方法的研究，下一步工作希望设计一套软件系统用于旋转机械故障在线检测。