随着科学技术的飞速发展，机械设备运行过程中海量的数据被采集并存储，但是这些数据往往存在着“海量”和“高维”的特点，敏感信息往往就隐藏在大量的冗余和不相关特征中。如何能够从巨大的数据里发现蕴含的知识规律，对准确地进行转子系统故障诊断具有重大的意义。特征选择算法是一类可以在大量数据中挑选敏感特征的算法，为寻找可以判别故障类型的敏感特征子集提供了新的参考依据。据此，本文开展对特征选择方法的研究，有效处理故障数据集合中存在的不相关和冗余特征。主要研究内容及研究结果如下：　　(1)对特征选择方法做了深入的分析和研究，并对其进行了归纳和总结，指出了特征选择方法的发展方向。以转子系统的振动信号为研究对象，以转子系统的振动特性和常见的故障机理为基础，对转子系统的离、在线数据进行处理。提取转子实验台系统各个状态的故障特征，并将得到的故障特征进行融合，构造多域故障特征集合。针对构造的故障特征集合展开选择方法问题的研究，重点研究了ReliefF方法和遗传算法的特点以及其在特征选择中的应用。　　(2)针对故障数据集的高维和海量引发的“维数灾难”问题，提出一种基于ReliefF算法和遗传算法相结合的故障特征筛选方法。该方法以构造的原始故障特征集为对象，首先利用ReliefF算法对原始特征集进行筛选，剔除不相关特征。利用选择的特征优化遗传算法的初始种群，使遗传算法可以拥有一个好的搜索起点，经过遗传算法处理，去除冗余特征，得到最简特征子集。将得到的特征子集通过KPCA方法映射到核空间进行计算，以辨识故障类别。实验结果表明，该算法可以有效的剔除故障数据集合中的不相关和冗余特征，最终得到敏感特征子集对故障类型的判别有很高的识别能力。　　(3)利用MATLAB GUI模块编写了一套集振动信号分析与显示、振动趋势的显示、振动数据和特征数据存储、特征选择方法和故障分类于一体的机械振动信号分析系统，在实验研究中取得了较好的效果。　　(4)本文提出的方法在故障特征选择应用中能得到很好的效果，但本文方法只研究了四种故障类型，对其他如转子裂纹等故障没有涉及，在今后的研究工作中需要增加对其他类型故障的研究。