为了实现对滚动轴承故障位置和损伤程度的准确定位，提出了一种基于希尔伯特黄变换（Hilbert-Huang Transform， HHT）和主成分分析 （Principal Components Analysis， PCA）的振动信号特征提取和故障状态精细分类方法。引入PCA方法，提取各种故障状态下的振动信号边际谱的主成分信息建立主成分特征向量，实现HHT边际谱中干扰信息的滤除和敏感特征的二次提取的目的。利用主成分特征向量完成对支持向量基（Support Vector Machine， SVM）分类器的训练，建立HHT-PCA-SVM分类模型。采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析，以电机的驱动端上侧的传感器数据为系统输入，HHT-PCA-SVM模型驱动端轴承故障状态识别率为98%，风扇端轴承故障状态识别率为97.5%，与其他模型相比，HHT-PCA-SVM模型具有较强的适应能力。