滚动轴承是旋转机械中的重要零部件,在旋转机械系统中应用广泛,但轴承失效时往往会影响机械运转,严重时可能会引发机械系统瘫痪,从而带来巨额经济损失甚至伤亡事故。据不完全统计,由轴承引起的旋转机械故障的比例约为30%。因此,对轴承的早期故障进行检测,识别故障原因,具有十分重要的意义。有效的振动信号分析是轴承故障诊断中的关键,其实质是利用信号处理方法提取振动信号中微弱的故障特征频率,从而判别出故障位置和故障类型。数学形态学作为一种非线性信号处理方法,已经在机械故障诊断中取得了较好的效果,但仍存在诸多问题。本文针对传统形态学信号处理方法中特征提取效果不理想、结构元素的尺度选择不合理等问题,提出了自适应广义梯度乘积形态滤波算法和最优尺度广义形态非抽样小波算法。本文的主要研究内容包括:1、提出基于广义梯度乘积形态滤波的滚动轴承故障特征提取算法。通过查阅国内外相关文献,仿真实现已有的形态学算子,通过对比分析,归纳总结出降噪和特征提取能力强的算子。在此基础上,提出了广义梯度乘积算子。在现有特征幅值比的基础上提出局部特征幅值比准则,用于自适应选取最优结构元素。构建自适应广义梯度乘积形态滤波器,该方法相比已有方法具有更为优越的特征提取能力,并通过对仿真信号和实测故障轴承振动信号的分析处理,验证了方法的有效性和优越性。2、针对传统形态非抽样小波算法滤波结果意义不明确,特征频率提取效果不好等问题,提出广义形态非抽样小波算法,结合局部特征幅值比方法,提出最优尺度广义形态非抽样小波滤波器。通过对仿真信号以及实测故障轴承振动信号的分析处理,结果验证了该方法具有优越的特征提取能力,且方法的意义更为明确,可解释性更强。3、将以上两种形态学滤波器应用于高速列车轮对轴承复合故障诊断之中,利用不同结构元素尺度对不同故障类型敏感程度不同,分步提取故障特征,进而实现轴承多故障诊断。通过对实测的复合故障轴承振动信号的分析处理证明了提出的自适应广义梯度乘积形态滤波器和广义形态非抽样小波滤波器的有效性。