滚动轴承是工程机械及其它机械的基本零件，许多机械的故障都和轴承有关。据统计旋转机械故障有30％是由轴承引起的，轴承的好坏影响整个机械设备运行状态。因此开展滚动轴承故障诊断技术的研究有着重大的实用价值。　　 滚动轴承故障诊断的实质就是对其振动信号中包含的状态信息进行提取并加以分类，从而得出滚动轴承运行状态。由于滚动轴承振动信号是非平稳信号，传统的时频分析信号处理方法在处理非平稳信号时有着自身的局限性，而具有自适应性的经验模态分解法非常适合处理像滚动轴承这样的非平稳信号。针对实际振动信号中往往含有背景噪声干扰，直接对信号进行EMD分解容易造成虚假成分，本文采用小波变换对振动信号进行消噪处理，有效地消除了滚动轴承振动信号中的干扰成分，提高了信噪比。然后信号经过EMD分解成若干不同时序尺度下内禀模态分量，提取基于内禀模态能量法的特征向量，能够较好反映滚动轴承的振动信号信息。　　 在成功地提取信号特征向量基础上，同时针对实际故障诊断中难以获取大量的样本问题，引入了支持向量机模式识别方法对不同状态的轴承在不同样本情况下进行故障诊断，通过与BP人工神经网络故障识别方法相比较，仿真试验结果表明，特别是在小样本的情况下，基于经验模态分解法和SVM的故障智能诊断方法优于BP神经网络识别方法。