本文以滚动轴承智能故障诊断为研究内容，在总结前人研究成果的基础上，针对如何完整、准确地提取滚动轴承故障特征以及如何在小样本下进行机器学习的关键问题开展了研究。研究工作包括5个关键技术：轴承故障循环特征提取方法、基于p—PCA的循环双谱线性降维方法、基于流形学习的循环双谱非线性降维方法、基于DDAG—SVM分类器研究以及DDAG—SVM分类器性能改善方法。 首先综述了滚动轴承故障特征提取的信号处理方法研究现状与发展趋势，概述了智能诊断技术研究现状与发展趋势，介绍了论文主要研究内容、创新之处，最后给出了全文结构安排。 轴承故障循环特征提取方法分3种情况研究，得到相应结果。对于循环平稳性占主导地位的振动信号，提出了基于谱线再生技术提取循环频率α方法，给出了循环频率α估计算法，该方法计算量少，对白噪声不敏感。对于时变调制现象，提出了基于2通道最大熵谱的循环谱估计法，给出了循环谱估计算法，该方法能在低信噪比下反映故障的时变调制现象，从而揭示滚动轴承故障信息。对于非线性现象，提出了基于对角切片的循环双谱分析方法，给出了基于二维CZT的对角切片循环双谱估计算法，该方法能在低信噪比下反映故障的非线性特征信息，从而可以完整、准确地揭示滚动轴承故障类型与故障部位。 在分析了PCA、FDA与MDS典型线性降维方法后，提出了一种基于相关性度量的有监督降维方法，即p—PCA方法。该方法由于利用了样本类别信息，因此它的维数简约比PCA效果好。对二维模式，结合2DPCA、MatPCA和(2D)2PCA，提出了p-2DPCA、p—MatPCA和p—(2D)2PCA方法，从而实现了轴承循环双谱的维数简约。 在分析了Isomap、LLE、LE和LTSA典型流形学习方法后，针对流形学习中邻域选取(k—邻域与ε—邻域)存在的问题，提出了自适应邻域选取方法。在总结全局流形学习算法和局部流形学习算法的优点基础上，结合自适应选取邻域的方法，提出了一种基于自适应邻域选取的局部坐标排列流形学习算法(LCD)。由于LCD更贴近于流形学习的局部逼近和全局优化的思想，因此LCA更清晰，也更易于理解。 在分析支持向量机智能故障诊断方法与常用多值分类算法基础上，提出了采用决策有向无环图的多值支持向量分类机(DDAG—SVM)算法。结合降维后的循环双谱，利用DDAG—SVM进行了实验分析。 研究了DDAG—SVM分类器性能改善方法，主要围绕核函数的构造与RBF核函数参数优化问题，在分析了几种核函数构造方法之后，提出了2种核函数构造方法，一种是利用卷积算子把H1(R)空间核函数构造成Hn(R)空间核函数的方法，另一种从信息几何的角度研究了核函数的几何结构，构造了与数据依赖的核，用于提高SVM的机器性能， 实验与仿真表明了方法的可行性。对于核参数确定方法，本文利用混沌理论，提出用混沌优化算法来优化SVM核参数，并在仿真实验中得到了验证。