随着现代科技的飞速进步,各生产行业的机械设备也日益趋向于集成化、大型化、复杂化和尖端化。大型的机床设备作为生产厂家赖以生存的“生命线”,其运行状态的好坏关系着整个生产厂家安全生产。滚动轴承作为机床机械设备一个极其重要的组成部分,对其进行工作状态检测和故障诊断具有很强的现实意义。本文通过HHT方法中的经验模态分解(EMD)算法对机床滚动轴承故障信号分解并提取出能量特征向量,采用人工神经网络和支持向量机的方法对机床滚动轴承故障状态进行识别。　　首先,本文研究了EMD分解算法,它具有极强的自适应性和极高的信号局部时间特征尺度分析性能,可将各类振动信号分解为有限个不同时间特征尺度成分的本征模态函数(IMF)之和,从而在各IMF分量中提取出故障特征能量向量。　　接着,在机床滚动轴承进行模式识别上本文采用了典型的BP人工神经网络、改进的LM-BP神经网络算法与EMD算法相结合,实验结果证明基于LM-BP神经网络的机床滚动轴承故障诊断是可行的,并且诊断效果良好,能够满足机械故障诊断要求。　　最后,本文通过研究在处理小样本、非线性及高维数据方面有着巨大优势的SVM技术,将提取的能量特征向量与SVM算法相结合,运用于机床滚动轴承故障分类识别过程。并采用遗传优化(GA)算法对SVM分类参数初始值进行优化。优化后的GA-SVM算法具有高速、高效的分类特点。实验证明GA-SVM算法在分类识别领域和空间搜索过程中均具有极其优良的性能,诊断效果良好并优于LM?BP算法,满足机械故障诊断要求。