在经典IWO杂草算法的基础上提出一种适用于神经网络优化的新算法。该算法将多种结构的神经网络权值阈值编码为不同维度的杂草种子，以神经网络均方误差作为种子适应度的统一评价标准，同时对多个维度的杂草种子进行排序筛选，实现了神经网络权值阈值与结构同时优化的目的。应用该方法于转子系统故障分类问题，实验结果表明该方法可以在结合BP算法优势的同时有效优化神经网络各参数，可以得到分类精度高、结构最简且泛化能力强的神经网络故障分类器。

转子系统故障信号是典型的非线性、非平稳信号，分形几何为描述转子系统故障信号的特性提供了一个分析工具，但仅仅依靠分形维数无法有效的提取转子系统的故障特征。本文引入紧密度和丰度两个量，与基于的分形维数一起，对转子系统故障信号进行分析；最后采用神经网络技术对转子系统的正常、不对中、不平衡、碰磨、松动五种不同的运行状态进行分类识别。实验结果表明，通过对分形维数和紧密度、丰度的联合可较好地评定和区分转子系统的运行状态。

特征数据集降维是机械故障智能诊断的关键步骤之一。常见的数据集降维方法难以准确的从高维非线性数据集中获取反映转子运行状态的敏感特征信息，导致故障模式识别精度降低。局部切空间排列算法（LTSA）对部分高维非线性数据集达到较好降维效果。但该算法不适合处理高曲率分布、稀疏不均匀分布等高维数据源。为此，在LTSA算法的基础上结合线性分块思想，提出线性局部切空间排列算法（LLTSA）。该算法充分考虑了数据集的整体与局部结构，将数据样本空间划分为一组最大线性块，使降维后的同类数据具有更好的聚类性。通过高维非线性转子振动数据时域特征数据集对该算法进行验证，结果表明经该算法降维后的数据集具有较好的聚类与分类性能。