滚动轴承作为机械设备中的重要零部件之一,在旋转机械中起到了重要的支承作用。但是在实际工况中,轴承的工作环境往往相对恶劣,长时间超负荷运行会进一步加快轴承的疲劳磨损及裂纹的恶化。由于滚动轴承的故障而导致的不可挽回的事故不胜枚举。如何在滚动轴承出现故障的初期就发出预警并以较小样本量诊断出轴承的故障位置以及故障程度,这对保障设备的平稳运行和操作工人的生命安全有着重大的意义。此外,由于机械设备如风机等拆装费时费力,在设备正常运行时误报警也是一个不可忽视的问题。针对上述问题,本文从故障特征关联性出发,分析了变量间的相互关系对机械设备故障诊断的意义,以特征之间的关联性和神经网络、极值理论为基础,提出了一种基于特征关联和自适应阈值的轴承故障预警方法,以及一种适用于复杂工况下小样本多分类的滚动轴承故障识别方法。以过滤式特征选择方法为基础,提出了一种改进最大权重最小冗余的混合式特征选择方法。本文主要研究内容如下:（1）针对传统特征选择方法无法在选择性能好的特征的同时去除特征间冗余性的问题,使用改进最大权重最小冗余的混合式特征选择方法对特征进行选择,该方法以各种特点的常用过滤式特征选择方法为基础,以特定评价函数和具体的分类器的精度作为标准,选择出权重值最大并且特征之间冗余最小的最优特征子集。实验证明,该方法在以变量预测模型为分类器时,在后续轴承分类中能够取得良好的效果。（2）针对固定阈值在正常运行中由于极端情况会误报警的问题,将极值理论和变量预测模型相结合来对滚动轴承进行异常检测,该方法使用变量预测模型对正常轴承数据进行拟合,并以测试样本的重构误差作为轴承的运行状态指标,利用广义极值理论来设定自适应的阈值。实验证明,该方法在轴承发生早期故障时能够准确报警,并且有效地避免了由于极端情况导致的误报警。（3）针对常用分类器在小样本多分类问题上精度不高的问题,使用权值融合的变量预测模型来进行轴承故障识别,该方法在变量预测模型原有四个模型的基础上,加入高斯模型、径向基神经网络、广义回归神经网络来拟合特征间的关系,并且以模型的训练误差来计算每个模型的权重,最终得到一个权值的融合模型。实验表明,该方法在小样本多分类情况下依然表现出了较高的分类精度;并且在识别精度上优于原始变量预测模型和常用的模式识别算法。