故障诊断的实质是模式识别,主要研究内容包括信号获取、特征提取和模式分类三个方面。特征提取是故障诊断技术中最困难而又关键的环节,它直接影响故障诊断结果的准确性和故障早期预报的可靠性。因此,在复杂运行工况下,如何提取最优的低维故障特征来提高故障分类性能是一个巨大的挑战。本论文以流形学习算法为基础,深入研究了基于流形学习的特征提取与诊断技术。针对复杂故障设备多个特征参数之间存在冗余性或不相关性,可能会增加后续分类器的时间消耗,甚至会降低故障的识别精度,提出了基于边界Fisher分析(MFA)算法的诊断模型。为了准确而全面地获取设备的故障信息,该模型采用多种信号处理方法进行分析,从多角度提取多个特征参数来表征设备的运行状态；运用MFA算法,从原始高维特征集中提取最具代表性的低维流形特征,并将所有低维特征输入K近邻分类器进行故障识别。通过对滚动轴承早期故障的诊断分析,验证了该模型的可行性和有效性。针对机械设备故障诊断这种小样本模式识别问题,提出了正则化核边界Fisher分析(RKMFA)的特征提取算法及基于该算法的诊断模型。该模型运用RKMFA算法,直接从原始高维振动信号中提取低维流形特征,并将这些具有判别信息的少数几个流形特征输入K近邻分类器,最终识别出机械系统的故障模式。将该模型分别应用于轴承故障类型和内圈损伤程度的识别,实验结果表明RKMFA算法是一种有效的特征提取算法,同时验证了该模型的优越性。针对机械设备故障诊断过程中获取有标签故障样本比较费时费力,提出了半监督核边界Fisher分析(SSKMFA)的特征提取算法及基于该算法的诊断模型。该模型运用SSKMFA算法直接对原始高维振动信号进行学习,通过大量廉价的无标签故障样本和少量昂贵的有标签故障样本估算故障数据的潜在流形结构,并在有标签故障样本提供的监督信息的引导下,学习出整个流形上的类别信息,从而提取具有判别性的低维流形特征,使得无标签故障样本获得良好的分类效果。将该模型分别应用于轴承故障类型以及故障严重程度的识别和齿轮箱故障类型的诊断,实验结果表明该模型能大大提高故障识别精度,同时降低算法的计算复杂度。针对基于流形学习算法提取的低维流形特征没有明确的物理意义,导致其在故障诊断方面的理解性比较差等问题,提出了MFA分值的特征选择算法及基于该算法和支持向量机分类器的诊断模型。该模型采用多种信号处理方法对故障信号进行分析,得到一个由多个特征参数构造的原始高维特征集；运用MFA分值算法,挖掘隐藏在原始高维特征中的内在规律性,从而挑选出充分反映故障本质的敏感特征子集,将其输入到SVM分类器中,最终识别出设备的运行状态。在滚动轴承故障类型和内圈损伤程度的诊断实验中,验证了该模型的优越性。