旋转机械是现代化工业社会必不可少的装备，对国民经济的重要行业和航空航天等国防重点领域有极其重要的影响。旋转设备一旦发生突然故障，设备的维修和非计划停机所带来的经济损失和社会危害是巨大的。转子裂纹故障是旋转机械中最常见的故障形式之一，因此对裂纹转子的故障性质和发展过程进行深入研究，并对裂纹转子剩余寿命进行预测，从而采取相应的措施实现预防性维护，降低事故发生率和计划外停机次数，对于保证系统实现高效、安全、平稳、低成本运行具有重要的经济价值和社会意义。本文针对具有横向呼吸裂纹的Jeffcott转子系统的故障特征提取、性能评价和剩余寿命预测等预诊关键技术进行研究，提出了一种融合动力学分析、断裂力学理论和基于数据驱动预测方法的裂纹转子预诊新途径。在对重力占主要作用的转子系统裂纹呼吸变化过程分析的基础上，利用独立完整的数学函数对裂纹呼吸过程进行描述，建立了裂纹转子系统的动力学模型，并对呼吸裂纹转子系统特有的动力学行为进行了分析。研究了转子在经过1/3和1/2亚临界转速区时的振动位移、轴心轨迹随转速的变化规律，并利用Floquet理论对转子的转速、裂纹深度和阻尼等参数对系统周期运动稳定性的影响进行了分析。针对裂纹转子在经过1/3和1/2亚临界转速区时的振动响应，利用经验模式分解（Empirical Mode Decomposition, EMD）法进行分解，提取特定高倍频振动成分作为裂纹故障的典型特征，有助于深入理解转子裂纹的变化规律，使特征提取具有明确的物理意义。在标准转子实验台上对裂纹转子经过亚临界转速区时的轴心运动轨迹演化规律和特定高倍频成分变化规律进行了实验验证。实验结果与仿真分析结果一致，验证了呼吸裂纹函数建模的正确性和基于EMD方法的裂纹故障特征提取方法的有效性。在完成裂纹转子动力学研究和特征提取之后，综合考虑裂纹转子动力学和断裂力学理论信息，建立了基于BP神经网络（Back-propagation Neural Network, BPNN）模型的性能评价模型。利用断裂力学理论分析了裂纹产生和发展的基本原理及过程，研究了裂纹尖端的应力强度因子理论及计算方法；建立了呼吸裂纹转子系统的有限元模型，并将动力学响应与断裂力学理论相结合求解出了在转子旋转过程中考虑裂纹面接触问题的动态应力强度因子，研究了整周期内应力强度因子的变化规律，为进一步全面理解呼吸裂纹的特性提供了条件；在求得动态应力强度因子的变化幅度后，利用断裂力学中经典的Paris裂纹扩展模型对特定裂纹深度的疲劳扩展寿命进行评估，作为性能评价的基础；将由EMD方法所提取的1/3和1/2亚临界转速下的特定高倍频幅值及其均值作为神经网络的联合特征输入，并将由疲劳劣化程度和疲劳扩展寿命得到性能值作为神经网络的输出，从而建立了综合考虑动力学振动特征和断裂力学信息的基于BP神经网络的性能评价模型，实现了振动特征与具有断裂力学意义的性能值之间的非线性映射。以所评价的性能为基础，根据动态预测思想，分别建立了多尺度马尔可夫剩余寿命动态预测模型和BP神经网络剩余寿命动态预测模型，针对两种模型各自的预测特性，最终建立了基于多尺度马尔可夫模型与BP神经网络模型相结合的动态预测模型。通过对裂纹转子的剩余寿命仿真验证表明，本文所提出的混合预测模型具有良好的动态预测性能，是一种行之有效的预测方法。本文以裂纹转子动力学分析为基础，结合断裂力学理论从机理上认识故障产生、发展过程和表现特征，并采用智能方法实现了性能的评价和剩余寿命预测，最终提出了一种新的裂纹转子故障预诊途径，将传统的基于模型的劣化过程分析理论引入预诊领域，为基于数据挖掘的预诊技术在工程中的应用提供理论支撑。