随着制造业技术的发展和需求的不断提升,人们对制造装备和机械产品的安全性、可靠性要求越来越高,需求的提升带来了现代机械设备的复杂度、精密度、集成度也越来越高。最近十年的科技发展,特别是人工智能技术的发展也深刻的影响着机械设备对智能化的需求。机械设备故障诊断作为保障机械设备特别是大型机械设备可靠运行的关键技术,其重要性正不断的得到凸显。另外,设备发生故障后不仅导致生产中断和经济损失,增加企业的运营成本,严重时会导致人员伤亡、环境污染等重大的社会影响。随着机械设备越来越复杂,工业机器人等人工智能体队伍越来越庞大,传统的基于信号时间序列和频域分析的机械故障诊断方法越来越难以满足大数据环境下的机械设备实时诊断和监测需求,使得基于特征的方法越来越得到广大工程师和研究人员的亲睐。另外,伴随着数据的越来越多,数据种类也随之越来越多,传统的方法明显已经无法满足先进设备故障诊断的要求,而现代模式识别技术是人工智能的产物,是解决大数据、多维特征的好方法。因此,将基于特征优化的方法应用于机械故障诊断领域将有着广阔的发展和应用空间。基于特征优化的方法不仅摆脱了多维机械设备信号间很多传统方法无法解释的问题,更为数据融合和模式识别提供的空间和方法。特征作为模式识别的基础,特征的结构对模式识别方法有着重要的影响,因此,研究特征优化方法对于模式识别有着重要的意义,基于这些考虑,本文的主要内容和结论如下:(1)从机械设备发展的方向以及工业社会中人工智能趋势出发,联系到机械故障诊断技术在现代工业社会的重要性,阐述了论文选题的背景和意义。以轴承这一机械结构的核心部件,研究特征优化方法在机械故障诊断领域的应用。从特征选择和特征提取两个方面介绍了特征优化方法。(2)介绍了基于Bayesian方法的特征选择模型,将余弦距离度量引入支持向量机中,使得新的特征选择模型不仅具有特征选择的能力,还具有在选择特征的同时对特征空间进行优化,能够同步实现特征约简和减小类内距离和类间距离的比值。另外,在理论上推导出来本方法的Bayesian决策特性,同时采用数值迭代方法实现了模型中参数的优化。(3)提出了基于小波图像融合的特征选择方法。将图像融合技术引入轴承故障诊断中的特征提取过程,针对轴承故障的特点设计专门的特征提取方法,使得特征提取方法在本质上具有较强的降噪能力和区分度,使得提取的模式能够很容易的被识别。(4)用实验的方法证明了特征优化方法的正确性和实用性。通过轴承试验台的数据,采用基于Bayesian优化的特征选择方法和基于小波图像融合的特征提取方法对轴承故障进行的有效的诊断。另外,对于基于小波图像融合方法抗躁性,通过在原始信号的中添加白噪声的方式,验证了该特征提取方法在能够在强背景噪声中依然能够提取出较好的特征用于故障诊断。