轴承是旋转机械设备中的核心部件,在旋转机械高速、长时、高载等运行状态下,轴承部位发生故障的概率随之增加,若不及时检测轴承的健康状态,将会造成一定的安全事故和经济损失,因此轴承的工况检测具有非常重要的工程价值。轴承的振动信号分析给出了大量的信息,有利于对轴承故障的精确检测。但是,由于大规模检测数据处理过程中涉及了大量特征,造成信息冗余,运算代价高昂、识别准确度低等问题。所以,很有必要深入研究如何挖掘出各种轴承故障中的重要信息,从而得到更大规模表征数据的显著特征集,从而减少识别算法的计算复杂性,并且提升后续识别算法的准确度。本文主要对非线性降维算法中的LLE算法进行深入研究,并结合了SVM算法,提出了两种基于LLE算法改进的故障诊断理论方法,其主要研究内容如下:（1）针对LLE算法在高维空间挖掘低维特征时,局部区域和内部结构直接影响LLE算法提取显著特征的性能问题,提出了基于多信息融合度量的互邻局部线性嵌入算法。首先,将欧几里德距离和余弦相似性方法相结合,对样本间的相似性进行评估,从而提高选择邻域的准确性。然后,利用互邻结构的思想构造样本的邻居和互邻居图来描述数据集的内部结构,以实现充分挖掘并利用原始数据的结构信息。最后,根据样本与其邻点之间的互邻关系对LLE系数进行校正,从而有效地提取重要特征。通过大量的实验结果表明,该方法能够有效地提取滚动轴承的故障信息。（2）针对欧氏空间无法有效地描述数据的非线性结构,影响LLE算法的特征提取的性能问题,提出了一种基于黎曼流形上参数矩阵度量的局部线性嵌入算法。首先,利用相空间重构法将原始数据构造成对称正定矩阵,用来描述数据的特征信息。然后引入了一种高效的黎曼空间度量学习方法,通过学习得到的参数矩阵将原始流形变换到新的易区分的流形上,再利用局部线性嵌入算法挖掘显著特征。最后,在凯斯西储大学轴承数据集上进行了大量实验,证明了该方法不仅能够从原始高维特征空间中提取出显著特征,充分展现各类故障信息,还对比了算法的计算代价,验证了该方法算法的高效性。（3）本文将提出的研究方法与SVM算法相结合,提出了滚动轴承故障诊断方法,实现对轴承数据的故障识别任务。首先对故障测试平台采集的轴承数据进行预处理,接着将本文提出特征提取算法应用到预处理后的有效特征数据上,然后利用降维后的数据实现对SVM模型的训练,根据标签信息实现滚动轴承故障的检测,实验结果验证了所提方法与其他方法相比识别精度更高。