滚动轴承作为旋转机械的核心部件,通常承载着较大的载荷,当滚动轴承出现故障时,会造成严重的事故。因此,对滚动轴承的监测和诊断可以提高机械系统的安全性和可靠性。振动传感器的接触式安装限制了振动信号的采集,声音传感器采用非接触式的安装方式,且声音信号包含丰富的信息,当机械设备发生故障时,声音信号会产生相应的变化。本文以滚动轴承为对象,提出了基于解卷积的滚动轴承声信号的故障诊断方法,针对故障特征提取、参数优化、降噪算法进行了深入研究。论文主要内容如下:（1）研究滚动轴承故障诊断技术的国内外研究现状,对滚动轴承的基本结构、典型失效形式、故障机理、故障特征频率进行分析,介绍了声信号的基本原理和基本特征,为后续的声信号故障特征提取奠定基础。（2）针对滚动轴承声信号中微弱故障特征难以有效提取的问题,提出了自适应最大相关峭度解卷积（AMCKD）方法。在莱维飞行中引入步长尺度因子,在偏好随机游走中自适应的调整发现概率,提出了改进的布谷鸟参数优化算法（ICSA）。利用ICSA以调整的谐波显著性指标（AHSI）作为适应度函数对MCKD的滤波器长度和故障周期进行寻优,将最佳参数组合输入到MCKD中进行解卷积处理。最后通过包络谱分析,实现了滚动轴承声信号的故障诊断。并通过仿真信号和实测信号对本文的方法进行了验证。（3）针对MCKD迭代求解效率低的问题,提出了加权奇异值分解（RSVD）结合多点最优最小熵解卷积调整（MOMEDA）的方法。RSVD通过计算各分量的周期调制强度来选取包含更多故障信息的分量,克服了通过奇异值大小选取分量导致的误判问题。通过RSVD的降噪预处理,通过包络解调处理,判断出故障周期,克服了多点峭度谱易受噪声影响的问题。滤波器长度的最佳值以AHSI作为适应度函数通过变步长搜索法得到,对降噪预处理的信号进行MOMEDA处理。最后通过包络谱分析,得出故障特征频率。并通过仿真信号和实测信号对本文的方法进行了验证。（4）基于Lab VIEW搭建滚动轴承状态监测与故障诊断系统,可实现数据采集、信号处理、数据存储、数据发送与接收等多种功能。并将自适应最大相关峭度解卷积（AMCKD）方法和RSVD-MOMEDA方法嵌入至诊断系统中,实现了滚动轴承的状态监测与故障诊断。