随着科技的不断进步，各式各样功能的机械加工设备频频出现，极大地提高了生产效率，但随之而出现的是，设备的磨损率也在提高，维修工作需要加强。为解决该问题，已有很多方法相继被提出，但应用最广泛的是铁谱分析与数字图像处理技术相结合的方法。这种方法通过对磨损颗粒的形态、数量、尺寸和成分等特征进行分析和提取，并与机械设备实际所处的状态相结合，进而找出发生故障的原因，从而为解决问题提供维修策略。　　本文综合图像学技术、材料理论及系统辨识等原理，将径向基（radial basis function, RBF）神经网络应用到铁谱磨粒图像的识别之中，针对传统神经网络参数确定的复杂性及低效性，将量子粒子群优化（ quantum particle swarm optimization, QPSO）算法应用到RBF神经网络模型之中，即将模型的参数选择问题转化为参数优化问题。　　首先利用数字图像处理技术（图像增强、彩色模型转换、K-means聚类分割、灰度化、二值化等）和数学形态学知识对采集到的磨粒样本进行图像预处理，并获取目标磨粒；其次，对目标磨粒进行相关特征的提取，并选取磨粒的形状特征参数、颜色特征参数和纹理特征参数构建磨粒的数字化特征空间，并将其作为分类模型（即RBF神经网络）的输入向量；最后，结合输入向量，采用基于QPSO算法优化的RBF神经网络（即QPSO-RBF神经网络）对目标磨粒进行辨别和分析，并与RBF神经网络及基于PSO算法优化的RBF神经网络进行对比实验。本文主要对严重滑动磨粒、球状磨粒、切削磨粒和疲劳磨粒四种典型磨粒进行了分类实验，仿真结果表明：基于QPSO算法优化的RBF神经网络分类器模型较对比模型能够更加准确的实现对磨粒的分类识别，故而可以提高机械故障诊断率，便于设备维护，从而延长机器使用寿命，提升工作效率。