提出一种基于Hilbert谱奇异值的故障特征提取方法，将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪，然后利用经验模式分解将降噪信号分解为若干个IMF分量之和，对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱，对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列，再利用奇异值作为特征向量，应用支持向量机进行轴承故障诊断，并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况，提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）；滚动轴承同一部位发生不同严重程度的故障时，在不同频带内的信号能量值会发生改变，因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度；从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机，判断滚动轴承的技术状态和故障严重程度，并选用不同核函数对诊断效果进行分析比较。实验结果表明，该方法能有效地应用于滚动轴承的故障诊断。