随着工业化水平的不断上升,旋转机械的复杂程度进一步加深,自动化水平不断提高。当旋转机械出现故障而不能及时发现时,往往会造成巨大的经济损失。当故障发展严重时,甚至会给工厂造成巨大的安全隐患。为了保证旋转机械稳定可靠的运行,展开针对旋转机械的振动信号分析与故障诊断的研究,对于确保工厂设备的安全运行具有很强的现实意义。首先,本文对旋转机械振动机理及基本特性进行了分析,其中,介绍了四种旋转机械的振动形式,并以单元盘转子模型为例,分析了旋转机械的基本振动特性。然后针对旋转机械的转子不平衡、转子不对中、动静碰磨、油膜涡动四种常见故障机理以及振动特性进行了相应分析。其次,在对旋转机械常见故障进行具体分析的基础上,本文选取Lab VIEW软件为开发平台,结合相关硬件设计了振动信号分析系统。该系统主要针对系统登录页面、数据采集、信号处理与分析以及基于小波包的故障特征提取模块进行了相应设计。振动信号分析系统通过4370加速度传感器对于工业现场的旋转机械振动信号进行了采集,然后通过2635电荷放大器对采集信号进行放大,之后通过声卡,将振动信号储存在电脑中,再通过LabVIEW对信号进行读取、滤波、时域分析、频谱分析。利用小波包变换,对旋转机械故障振动信号进行分解重构,将获得的频带能量值作为其对应故障的特征向量,这为后续状态识别提供故障数据样本。最后,使用BP神经网络对故障进行状态识别,针对传统BP神经网络随机初始化权值和阈值的不足,并且容易造成网络陷入局部最小值、收敛缓慢等问题,提出了一种基于GA-BP神经网络的故障状态识别方法,首先利用遗传算法（Genetic Algorithm）的全局搜索能力求得一组最优的权值和阈值,然后将其送入BP神经网络进行训练。实验结果表明,在网络训练的迭代次数和故障识别正确率两个方面,GA-BP神经网络都要比单一BP神经网络更具优势。