智能机械故障诊断方法研究一直是机械诊断领域研究的热点问题。随着人工智能、计算机软件技术、现代传感器技术以及现代信号处理技术的飞速发展，大型机械设备的故障诊断信号数据集呈现出维数高、随机性强、数据量大的典型特点。在保证数据间的几何关系和距离测度不变的前提下，将原始数据对应的高维空间的流形映射至低维空间，可以减少相关计算量，找出关键特征，全面提高故障诊断效率。针对机械故障信号高维数、时变性、非线性和非高斯分布特征，本文利用流形学习理论中改进之后的ISOMAP算法对机械故障信号数据集进行非线性降维处理，使得故障数据更加易于分类。论文研究的重点是深入分析经典ISOMAP算法的原理和计算过程，明确经典算法应用到机械故障领域的局限性，提出了一种适用于机械故障诊断有监督的快速ISOMAP算法，利用改进的算法对故障数据进行非线性降维，将降维之后的数据分为训练数据集和测试数据集，用训练数据集对支持向量机进行训练，然后利用训练之后的支持向量机对测试数据集进行预测，实现故障诊断和分类。论文的主要内容包括：(1).探讨ISOMAP算法应用在机械故障诊断领域中存在的问题，包括噪声问题，参数的优化选择问题以及算法的泛化能力。(2).针对ISOMAP算法应用到机械故障诊断领域存在的问题，对经典ISOMAP进行改进，提出有监督的快速ISOMAP算法，采用美国西储大学的电机轴承故障数据，对提出的新算法进行验证。(3).利用汽车传动试验台对汽车变速箱进行无故障、齿轮点蚀和齿轮剥落模拟试验，在时域分析、频域分析和小波分解无法准确迅速进行故障诊断的情况下，将提出的改进ISOMAP算法应用到齿轮故障诊断中，并与传统方法进行对比，证明了该方法在齿轮故障诊断中有效性和优越性。改进之后的ISOMAP算法能够有效约简故障数据维数、找出本征维数，这将会大大缩短计算时间，利于数据分类，提高故障诊断效率和正确率。