滚动轴承是旋转机械中应用最广泛的一种通用部件,其运行状态往往直接影响整台机器的性能,对滚动轴承的状态监测和故障诊断具有重要的现实意义和经济价值。本文以滚动轴承为研究对象,从故障轴承振动信号的特征入手,针对滚动轴承故障诊断中，出现的高维特征不易识别，且含有大量冗余信息的问题，以流行学习作为主要研究技术手段，进行一系列工作。论文主要有以下内容：　　分析了滚动轴承的结构和振动机理，从时域、频域和时频域三个方面分析了滚动轴承有故障时的特征，并以文中所提到两组实验数据作为实验材料，进行了特征提取工作。　　针对在应用流形学习方法进行故障诊断的过程中，遇到的降维参数选择问题和降维结果评估问题，提出了以Silhouette值作为判断指标的参数优化方法和基于类内距类间距的降维结果评估方法，并且在实际故障诊断过程中得以应用。之后，在处理降维后的故障空间时，引入了最小二乘支持向量机作为分类模型。　　构建了高维特征空间，分别以故障位置、故障程度和复合故障三种情况建立。采用局部线性嵌入、局部切空间排列和等距映射三种经典流形学习算法对建立的三个高维特征空间进行降维处理，并与线性降维方法主成分分析相比较，得到了各自的降维效果图，在此基础上对效果图进行了分析。　　用最小二乘支持向量机对降维后的低维特征空间进行模式识别，得到了不同故障状态轴承的识别率；引入未降维组，与线性方法主成分分析降维和上述三种流形学习方法降维的低维空间进行比较。结果表明，流形学习方法降维后，支持向量机的识别率在总体上优于主成分分析的方法和未降维的情况。而在三种流形学习方法内部比较看来，局部切空间排列降维后对于识别故障位置和故障程度特征有显著的优势，等距映射降维对识别故障位置特征和复合故障特征有不错的表现，但上述两种降维方法都出现了不同程度的不适应情况。局限线性嵌入降维使三种不同故障状态轴承的识别率都有一个明显的提升，发挥稳健，综合来看在三种经典流形学习算法中表现最好。