数控机床和基础制造装备作为装备制造业的“工作母机”,是“中国制造2025”十大战略必争领域之一。主轴系统作为数控机床的“心脏”,其回转精度与健康状态直接影响数控机床的产品质量及加工效率,同时由于主轴系统结构复杂且易受生产环境的干扰,导致加工精度难以保证且故障频发,不仅造成巨大经济损失同时威胁人身安全。因此,如何保证数控机床的回转精度及高稳定性是亟需解决的问题。针对以上问题,本文开展数控机床主轴回转误差测量与故障诊断方法研究。首先基于三点法建立主轴回转误差测量模型,通过多误差分离技术实现主轴回转误差的测量。其次提出基于模态分析与粒子群算法相结合的多振动传感器测点布局优化方法,保证所测信号包含全部特征且无交叉冗余。最后建立BP神经网络结合D-S证据理论的故障诊断模型,实现机床主轴的故障诊断与状态识别,保证机床的加工精度与工作稳定性。为解决主轴回转误差测量过程中存在多误差耦合的问题,建立基于三点法的机床主轴回转误差测量模型。该模型通过理论推导实现工件圆度误差、主轴回转误差及安装偏心的分离。考虑安装偏心的影响机理完成误差分离流程的简化,在实现机床主轴回转误差与工件圆度误差准确分离的基础上提高分离效率。鉴于激光位移传感器间隔角度导致噪声放大及谐波抑制问题,基于谐波误差传递因子与差分进化算法完成位移传感器布置角度的优化。为解决机床主轴故障机理不清晰及传感器难以有效合理布局的问题,深入分析各部件故障机理并提出基于模态分析与粒子群算法的传感器布置方法。该方法从数控机床主轴常见组成部件滚动轴承及传动齿轮入手,讨论总结常见故障类型及失效原因,探究故障频率及信号特征,基于此选择振动信号作为机床主轴状态监测信号。为使多振动传感器所测信号无冗余交叉,全面反应机床主轴状态特征,基于模态分析及粒子群算法进行多振动传感器测点的布局优化。为实现机床主轴工作状态的准确识别与故障诊断,提出基于多域分析与智能算法的机床主轴故障诊断方法。该方法首先采用改进奇异值分解的滤波降噪方法减小噪声对振动信号的影响,仿真表明该方法在不损失有效特征的前提下实现了噪声的有效滤除。其次为了从大量振动信号中有效快速获取机床主轴状态特征分别基于振动信号的时域、频域及时频域进行全方位特征指标提取与初步筛选,同时采用Relief F算法与主成分分析算法对多维度指标进行降维。最后基于BP神经网络与D-S证据理论完成多振动传感器的决策与融合,实现机床主轴状态的识别与故障诊断。为验证机床主轴回转误差测量、多振动传感器测点布局方法及故障诊断方法的有效性。首先基于数控机床工作台主轴进行主轴回转误差测量实验验证,结果表明该方法可以在分离掉工作台台面圆度误差后完成机床主轴的回转误差测量,测量结果为21.1μm。其次为验证本文提出的多振动传感器测点布局方法以数控机床作为验证对象,结果表明,采用本文提出的传感器布局方法特征频率幅值为0.005 g,采用均匀间隔布局幅值为0.001 g。最后以齿轮箱作为验证对象进行BP神经网络与D-S证据理论的故障诊断方法实验验证,结果表明采用单传感器时故障诊断率较差,利用D-S证据理论进行决策级融合后准确率平均提高了21.7%。