在设备故障诊断中，故障信号往往被强大的背景噪声所淹没，传统的信号分析方法处理后，故障信息不能有效地提取出来，必须对信号进行一定的净化和特征增强处理。因此，本文将围绕滚动轴承振动信号的降噪、模式识别、故障源特征增强等方面展开研究，内容如下:　　(1)本文以多小波分析为切入点，考虑到多小波分解系数的多维结构，提出了不同的信号重构方法。针对滚动轴承的复合故障数据，采用三种不同的多小波系数置零重构方式，将混合故障特征分离到不同的频段中。此外，针对信号预处理对于多小波分解的不利影响，实现了GHM、CL等多个多小波函数的平衡化处理，通过重构误差和低频能量比两个指标分析，表明平衡后的多小波普遍优于传统多小波。　　(2)经典的小波降噪方法将分解系数与降噪阈值进行“逐点比较”，这种方法没有考虑信号特征的相关性，而且阈值一般采用固定选取方式。针对上述不足，本文将多小波分解后的多个系数作为一个整体，避免了“逐点比较”的不足;同时将降噪阈值由固定选取改为自适应调节，避免了特征信息的“过扼杀”现象。通过实验信号、工程数据的对比研究，表明多小波自适应相邻系数降噪的效果优于常用的阈值降噪方法。　　(3)工业现场的振动信号多为卷积混合形式，加之背景噪声的干扰，故障源信息不能清晰地表现出来。本文引入最小熵反卷积技术，对故障源特征信息进行恢复。为了有效降低背景噪声对反卷积效果的影响，本文分别将多小波自适应相邻系数降噪和自适应滤波与最小熵反卷积相结合，实现了信源的有效净化和特征增强。　　(4)机械故障的定量识别历来是诊断领域的一大难题。本文尝试将多小波包分解系数的样本熵作为损伤程度的分类依据，构建了基于BP神经网络的推理模型。通过轴承外圈的多尺度故障信号，经网络的训练、学习，实现了故障程度的自动判别，丰富了现有的定量诊断方法。