在旋转机械中滚动轴承是至关重要的基础零部件,且在装备制造、能源石化、国防安全、航空航天等国民重要经济领域中有着广泛的应用。而当常处于高负载、变工况和持续运行等极端状态下,滚动轴承不同程度的磨损会引发性能衰退甚至故障,从而诱发整个系统故障的产生,所以滚动轴承安全稳定的运行状态关乎整个机械系统运行的可靠与安全。本文以滚动轴承作为研究对象,利用采集的振动信号数据,提取特征参数,对轴承故障识别分类进行研究,具体内容如下:(1)针对EMD算法及EEMD算法的不足,选择使用CEEMDAN算法来处理信号,以减少EEMD算法中的IMF分量冗余问题。针对CEEMDAN算法中依然存在的运行时间问题,对算法基于EMD的停止判断准则方面对其进行优化处理,加快了算法运行的速度大大降低了算法的运行时间。最后通过对MATLAB进行仿真信号分析,及使用实际轴承实验数据验证方法的分解速度,极大的降低了算法的运行时间。(2)针对故障特征容易产生的维数灾难问题,提出了基于Treelets的滚动轴承特征降维的方法。对传统PCA等降维方法的特征值分解有一定局限性且仅适用在非高斯分布情况下,且PCA方法得出的主成分可能并非是最优解,对此使用了 Treelets算法。并针对Treelets算法的二元降维结果问题,进行改进以获得适合具体情况的多元降维。最后采用滚动轴承的振动信号数据做对比,对比于传统的PCA降维方法,验证Treelets算法较其他算法的优势。(3)针对分类识别容易产生过拟合问题以及实际的故障数据量小的问题,本文研究了深度森林算法并将其应用到滚动轴承故障识别中。对于传统分类算法中的容易产生过拟合的问题,引入了深度森林算法,通过随机森林算法的多决策树结构来避免产生过拟合现象。并对深度森林算法中的级联森林过程进行优化,降低了输入多粒度扫描过程的特征向量维度,提高了算法的运行速度。与传统的SVM算法等分类识别算法进行对比,验证了所提方法的可靠性。本文以对故障识别为基础,从特征提取、特征降维和故障识别三个方面分别开展研究并提出相应的改进方法,并通过采用轴承振动信号数据进行验证,实验结果表明本文所提出的方法能够对滚动轴承故障分类识别有着很高准确度。