现代化工业装备正朝着大规模、高精度的方向发展，各部件间衔接的程度十分紧密，当其中一个或多个部件发生故障时，可能对整个装备造成重大的影响，由此带来不可估量的经济损失和更为严重的人员伤亡。因此，在系统运行过程中，有必要采取一定措施及时发现异常或定量评价系统健康状态。针对解决上述问题，有关性能衰退分析和寿命预测方向的研究得到了国内外专家学者的关注，但是，其相关理论并不完善，亟待进一步研究。基于数据驱动方法对于监测工业装备运行状态具有良好的应用，但是数据收集过程中存在很多的干扰因素，影响后续预测精度，本文在研究学习小波理论的基础上，提出一种脉冲小波，并将其用于数据预处理，同时在阅读和学习大量有关寿命预测算法的文献及书籍后，提出一种基于改进支持向量机的寿命预测算法，针对传统预测算法泛化能力差，在线应用效果不佳等缺点，利用相关分析选取在线信号与故障最相关的特征，并运用粒子群优化支持向量机以解决参数取值对支持向量机预测效果具有较大影响的问题，最后使用回归模型来判断性能状态，结合三种技术，提出一种泛化能力较强，在线应用效果较好的寿命预测算法。运用实验台轴承数据对本文方法进行验证，实验结果表明，脉冲小波用于提取数据有效信息具有较佳的表现，本文预测模型可以较为准确地评估轴承运行性能，并根据评估结果以较小的误差计算出轴承剩余使用寿命，较传统支持向量机和神经网络方法，在预测精度与泛化能力方面都有较大的提高。