滚动轴承是旋转机械的重要组成部分,在船舶、航天、发电等领域都起到至关重要的作用。滚动轴承长期运行在高温、高负载等复杂的工况下,不可避免地会发生磨损、腐蚀、断裂、胶合、疲劳失效等故障。因此对滚动轴承的运行状态进行监控,及时检测出滚动轴承的故障状态,识别故障位置,估计故障发生的严重程度,对于及时制定运维策略和保障设备的安全运行具有重要的研究价值。本文以滚动轴承为研究对象,考虑到滚动轴承特征分布随转速、负荷和外界因素对轴承故障诊断的潜在影响,设计并搭建轴承故障模拟实验台,进行滚动轴承典型故障状态下的数据采集和特征提取,提出了基于OCSVM-MV的轴承故障检测方法和基于BPNN-WV的轴承故障隔离及故障程度估计方法,形成了基于决策融合的滚动轴承层次化诊断架构,采用实验数据集验证了所提出方法的有效性。主要研究内容如下:（1）滚动轴承故障物理模拟研究。搭建了滚动轴承故障模拟实验台,采用激光点蚀仪器分别在轴承内圈、滚动体、外圈人为制造了不同失效尺寸的故障轴承,设计了轴承振动信号采集软件,实现了不同运行工况下的健康状态与及故障状态振动信号的采集,得到了滚动轴承典型故障数据;对滚动轴承典型故障振动信号进行了频域分析,初步验证了实验数据的有效性,为轴承故障诊断研究提供了数据基础。（2）基于WPD-m RMR的滚动轴承特征提取方法研究。基于小波包分解与信号重构（Wavelet packet decomposition,WPD）的方法将原始振动信号转换为代表不同频段信息的多个重构信号,提取各个重构信号的时域特征,生成原始信号的特征集合;基于最大相关最小冗余（Minimum redundancy maximum relevance,m RMR）方法对特征的敏感性和相关性进行分析,生成原始信号的降维特征集合;对所提出的故障特征提取与筛选方法进行了验证,分析了故障特征随轴承状态变化的分布规律,为故障检测、位置隔离与程度识别奠定了基础。（3）基于OCSVM-MV的滚动轴承故障检测方法研究。引入概念漂移理论,基于单类支持向量机（One-Class SVM,OCSVM）,在仅有正常轴承振动信号样本的条件下,实现了对滚动轴承振动特征数据流的概念漂移检测;基于k折交叉验证法对OCSVM进行优化,提高了滚动轴承故障检测算法的精度;基于多数投票法（Majority voting,MV）对单一特征下的故障检测结果进行了决策融合,获得了可靠性更高的轴承故障检测结果;利用滚动轴承故障物理模拟数据集,开展了多种稳定转速、变转速、负荷迁移以及贫样本下的滚动轴承故障检测试验,结果表明:所提出OCSVM-MV故障检测方法在大部分稳定工况下的滚动轴承故障检测率均高于96.7%,且标签错误、负荷迁移以及贫样本对于故障检测结果的影响很小。（4）基于BPNN-WV的滚动轴承故障隔离与故障程度估计方法研究。基于BP神经网络（Back propagation neural network,BPNN）和典型故障特征分析结果,分别实现了基于单一时域特征的故障隔离与故障程度估计;基于权重投票法（Weighted voting,WV）对各个单一特征下的故障隔离结果和故障程度估计结果分别进行了决策融合;利用滚动轴承故障物理模拟数据集,开展了不同稳定工况和负荷迁移条件下的故障试验,结果表明:所提出的BPNN-WV故障隔离与程度估计方法在特征选择合理的情况下可以达到较高的诊断精度,且在负荷迁移的条件下具有一定的稳定性,为故障样本不确定条件下滚动轴承故障的精准诊断提供了技术思路。