在现代工业生产中,旋转机械是最广泛应用的重要设备,一旦出现重大故障,将造成巨大的经济损失,甚至产生机毁人亡的严重后果。因此,开展对旋转机械故障诊断的研究,具有十分重要的意义。　　本文探索性地提出支持向量机(SVM)与证据理论相结合的智能诊断方法。根据小波包分解技术原理,分别对传感器测得的信号,提取三种不同的故障特征量(有效值、峭度、能量),结合具体的实验数据,建立了完整的故障特征集。根据支持向量机算法的基本思想,给出了基于支持向量机故障诊断的具体步骤,将已建立的故障特征集作为样本,对各个支持向量机进行训练,确定了SVM的最优参数。根据多类分类算法的基本思想,提出了改进的二叉树多分类算法,并在Matlab平台上进行试验,验证了其有效性,进而构造了该算法的分类器。在该分类器的基础上给出了基本概率分配(BPA)函数的构造方法,实现了多类分类器的基本概率分配模型。根据D-S证据理论的基本原理,针对冲突证据的合成问题,提出了基于证据距离的合成规则,并在此基础上给出了证据理论融合算法的步骤,将本文的融合算法和其它合成方法进行算例分析与比较,结果验证了本文方法的有效性。最后,根据前面相关方法的研究,构建了支持向量机与证据理论相结合的模型结构。利用实验室的旋转机械故障模拟实验平台,模拟旋转机械的一些典型故障,采集准确的实验数据,提取故障特征,按照已建立模型的模块对实验数据进行分析,将最终得到的结果和其他诊断方法的实验结果对比,比较分析其训练时间和诊断精度,实验结果验证了本文诊断模型的可行性和有效性。　　仿真实验结果表明,对于旋转机械的故障诊断,基于支持向量机与证据理论融合的诊断方法具有更优越的诊断性能。