传动系统对机械系统正常运转至关重要，对传动系统进行运行健康监测和分析，可以为机械系统的设计和制造的改进研究提供科学依据。滚动轴承作为传动系统中的重要零部件，也是最易受损的零件之一，如何对滚动轴承进行更好的诊断一直是故障诊断学研究的热点之一。轧机振动是困扰钢铁企业的技术难题，对钢板振纹进行监测分析，具有重要的经济和社会效益。本文以机械系统中的传动系统为研究对象，开展了轴承、齿轮箱、机架的振动信号分析与特征提取工作。　　支持向量机作为智能机器学习的方法，因其在小样本条件下良好的分类性能，被广泛应用于模式识别领域。本文将它与小波变换技术相结合，研究了基于支持向量机的机组传动系统关键部件滚动轴承的智能诊断方法。分析了滚动轴承的振动机理，建立了故障智能诊断模型，对滚动轴承故障进行了智能分类；并探讨了特征参量以及训练样本对诊断模型分类精度和诊断时间的影响。结果表明，SVM技术在小样本情况下，在分类识别领域具有优良的性能，充分说明该项技术具备广阔的应用前景。　　结合上海地铁正线测试案例，分析了机车在早高峰状态下传动系统减速箱、电机、轴承端盖等处的振动特征，并对其中处于异常状态的信号进行了更进一步的频谱分析，找出了导致异常可能的原因。最后利用BP神经网络做了基于振动信号有效值的预测，发现有较好的拟合度。　　结合上海宝钢冷连轧机振动的具体实例，探索了时域分析、频域分析等方法在故障诊断中的应用。结合这些技术手段，基于VS2008和数据库的相关知识，开发了基于冷轧机组机架振动的钢板振纹远程监测系统，并用于宝山钢铁公司冷轧机组的振动监控系统，取得了良好的测试结果。