由于实际旋转机械故障的复杂性和复合性，现有特征提取和识别方法自身的局限性，使得轴心轨迹的识别依然存在很多问题。主要体现在以下几方面。

1.识别内容不完善轴心轨迹的自动识别包括轴心轨迹的形状识别、进动方向识别以及稳定性识别三个方面，识别方法主要集中在形状的识别，对轴心轨迹进动方向与稳定性的识别有待进一步研究。在实际情况中，转子的轴心轨迹一般是多个故障复合的结果，反映故障信息的轴心轨迹图形不是清晰稳定，而是不断变化、杂乱无章的，可能由椭圆逐渐变成香蕉形、花瓣形或其他形状，故对旋转机械不同运行状态下的轴心轨迹形状进行再细分，得到更加全面、有效的形状特征，是需要进一步考虑的问题。同时，轴心轨迹图形与故障程度的映射关系也是缺乏的，如轴心轨迹的不变矩，图形的变形程度不同，其不变矩值可能会差别很大，因此会导致错误的识别。不同的故障程度决定了不同的故障处理方式，如果能很好的确定故障程度的大小，就可以采取相应的措施，使故障的排除更加合理。

2.轴心轨迹识别方法的局限性在轴心轨迹的提纯方面，旋转机械的运行状况各异，实测轴心轨迹信号也是复杂多样的，不仅含有噪声信号还有各频率分量的相互耦合，现有的提纯滤波方法都有各自的局限性，不具有很强的通用性，且都停留在理论阶段，在实际应用中还没有发展的很成熟。

因此，需要加强对轴心轨迹信号的提纯滤波研究。在轴心轨迹的自动识别方面，都存在识别精度不理想的问题，其中应用最广的智能识别也有一定的局限性。神经网络训练样本的选择关系到识别的效率和效果，其算法的实现必须在大量数据的前提下完成，且只能处理训练过的范例，因此实现简化训练样本的同时提高识别准确率是有待实现的。模糊理论不足之处在于，对于复杂的识别过程要建立正确的模糊规则和隶属函数有些困难，一般花费的时间也比较长，因此应找到有效的建立模糊规则和隶属函数的方法，使得模糊理论更好的应用到轴心轨迹的识别中。

3.对未知故障的识别能力差轴心轨迹自动识别的研究主要是基于模式识别理论，缺乏考虑旋转机械的动力学特性。对现有的几种故障类型可以用图像处理、小波变换或神经网络等方法实现分类识别，但是轴心轨迹信号复杂，往往是模糊的、不完全的，存在没有发现的故障类型，现有的方法只能对已知故障进行识别，如果结合旋转机械的动力学特性，使识别方法的运用建立在故障机理的基础上，则能更好的做出识别。也有很多不确性理论在实际的故障诊断系统中得到应用，但是对未知故障的处理仍未得到十分有效的解决，因此，对轴心轨迹不同形状所对应的故障机理进行更加深刻的认识和研究，把新的理论研究更好的应用到实际当中，是有待于进一步发展和完善的 。