在工业生产中,旋转机械设备属于最重要的设备,它们的运行状态对于生产过程的安全以及经济效益有着很大的影响。一般旋转机械设备发生故障主要是由重要的旋转部件引起的,机械设备的运行性能与旋转部件的工作状态正常与否有着很大的关系,因此,开展对旋转设备的故障诊断研究有着非常重要的实际意义。本文基于支持向量机（SVM）理论对旋转设备运行状态进行故障诊断。以支持向量机所需要的特征向量为切入点,针对如何选取以及如何使得选取的参数最能表征故障特征、提高分类识别率的问题,着重研究了如何对故障信号处理以获得更好的SVM特征参数的问题。主要内容如下:（1）实际环境中,通过传感器对振动信号进行采集往往有强烈的背景噪声混杂在其中,当背景噪声较大时,故障特征会被噪声信息掩埋,使得故障难以诊断。针对此问题,本文提出了一种基于小波变换和奇异值分解重构的故障信号降噪方法。该方法首先通过小波变换处理故障信号,消除信号中脉冲比较小的噪声,然后再进行奇异值分解（SVD）,并引入了奇异值能量差分谱的概念,基于能量最大差分值选取合适的奇异值重构信号,有效滤除了信号中脉冲比较大的噪声,最后通过信噪比和均方根误差对结果进行检验。实验证明,在强噪声背景下,该方法能够有效去除振动信号中的噪声。（2）故障诊断的关键步骤就是对故障特征的提取。针对特征难以准确提取的问题,本文在希尔伯特黄变换（Hilbert-Huang Transform,HHT）的基础上引入了 Hilbert包络谱,并提出了一种基于包络谱的本征模态函数（IMF）包络谱的特征提取方法。该方法首先对信号进行经验模态分解（EMD）,然后通过自相关函数和相关系数选取适当的IMF进行包络谱研究。实验结果表明,使用IMF包络谱能够很好的提取故障特征。（3）特征向量选取的好坏直接关系到分类结果准确度的高低。针对以SVM故障模式识别为主要研究内容的旋转部件的智能诊断问题,本文采用HHT对振动信号进行经验模态分解（EMD）和Hilbert变换,在得到各个本征模态函数（IMF）分量的包络谱基础上,依据有用的IMF分量进行包络谱分析,结合样本熵的理论,提出以IMF包络谱样本熵作为特征参数对旋转部件进行智能诊断。该方法将IMF包络谱样本熵作为旋转部件不同工况下样本信号的特征向量,通过SVM分类算法实现旋转部件不同故障模式的智能识别。（4）最后选取了最易发生故障的旋转部件--轴承作为研究对象,并对轴承不同工作状态下的振动信号进行了仿真研究。实验结果表明,使用本文提出的方法选取和优化的参数作为SVM特征参数具有很好的故障智能识别的效果。