在现代化生产中，机械设备系统的状态监测和故障诊断问题越来越受到重视，它具有很大的实用价值并能获得显著的经济效益。近几年来，许多国内外学者对此进行了很多研究，提出了故障诊断的新方法、新技术，并在工程实际中得到了应用。在应用中，传统的时域分析、频域分析和相关函数分析都得到了不断的改进；灰色关联度、模糊隶属度、专家系统、小波分析及神经网络等方法在定性地分析系统运动状态中得到广泛的应用；而定量地分析系统的故障状态是学术界一直关注的问题。 把小波和神经网络理论应用于机械系统故障诊断的研究方法目前正处于新的发展阶段，也是近年来国内外学术界的新动向。本文基于小波分析和神经网络方法对转子模型的故障诊断与模式分类进行了研究。围绕小波分析、小波包分析和神经网络的诊断方法进行理论分析和实验验证。通过分析、比较，证明本文故障诊断方法的有效性。 本文通过用小波分析进行奇异信号的检测和对信号消噪的实例，讨论了小波变换在处理非平稳信号的优势。针对用传统方法难以提取转子故障特征的实际情况，提出用小波包分解和单支重构来构造能量特征向量的方法，直接利用各频段成分能量的变化来提取转子的故障特征，用该方法构造的特征向量能突出反映转子的故障特征。将小波分析与神经网络相结合，经小波包分解后的特征向量作为神经网络的输入。通过用BP神经网络和径向基(RBF)神经网络进行故障诊断，将诊断结果进行对比。该方法可有效地诊断转子系统的各种故障。另外，该方法对其他旋转机械设备的故障诊断也具有借鉴意义。