基于实验平台,采集滚动轴承正常、内环故障、外环故障和滚珠故障四种工况的振动信号,利用时域分析法提取故障特征量。分析隐含层神经元数量、隐含层激活函数和样本比例对极限学习机网络诊断效果的影响,同时从网络对样本比例的适应性、算法的稳定性、仿真耗时和抗噪能力四方面比较BP、SVM和RBF网络。结果表明针对轴承故障诊断,极限学习机在神经元数量较少时采用Sigmoid()函数、神经元数量较多时采用Hardlim()函数,其诊断效果较佳;极限学习机相比BP、SVM和RBF网络,能够更好的适应样本比例的变化,且算法的稳定性和准确性均为最优;极限学习机仿真计算时间相对较短、抗噪能力较强。