在我国的科技水平、经济建设快速发展的同时,振动机械设备的相关应用领域也变得更为宽泛。其中,振动筛则是最为常见的机械系统,而在振动筛机械系统中,振动筛滚动轴承的作用尤为突出,它的工况如何,不仅影响设备部件的正常稳定运行,而且会对后续整体设备系统的安全性产生直接影响,所以,针对振动筛的诸多部件的运行状况开展监测信号分析与故障诊断显得十分关键。本文首先简述了诊断振动筛滚动轴承故障的相关技术,划分振动设备的类别,对因滚动轴承内外圈点蚀故障导致的振动特性、频率的计算公式进行介绍分析,分析对比了不同状态下的振动信号的差异,分析对比了处理非平稳信号的相关方法和较为多见的时频分析法,并将常用的经验模态方法（EMD）、聚合经验模态分解方法（EEMD）和完整集成经验模态分解方法（CEEMDAN）处理信号进行了比较分析,探究了各自的优缺点。然而,获取得到的振动信号在分解后信号中必然会留下残余白噪声。基于此,提出了振动筛滚动轴承故障信号处理中的变分模态分解（VMD）方法（基于VMD-SVD相结合的V-S算法和基于VMD和K-L能量算子相结合的V-K算法）。由于振动机械具有特殊的工作原理,在工作进程中会引起特别严重的背景噪声,且诸多频率成分掺杂其中,所以,以振动测量法来诊断故障时,对此提出了更高的鲁棒性需求,通过实验数据对比,可以发现在振动筛滚动轴承故障信号处理中V-S和V-K方法比EMD、EEMD方法更加有效,解决模态混叠问题,提高故障诊断的准确性。设备的故障诊断,依据的是实时监测到的多个部分正常的、非正常的掺杂在一起的混叠信息,信息分析是故障诊断的关键。本文又将振动筛滚动轴承作为分析对象,将测量到的振动信号进行EEMD分解得到的固有模态参数（IMF）作为故障特征参数,将这些特征参数添加到贝叶斯网络的故障特征层中,其他的信息源添加到贝叶斯网络的信息层。提出了基于EEMD和三层贝叶斯网络多源信息融合的振动筛滚动轴承故障诊断方法,并应用于振动筛滚动轴承故障诊断实验中。其实验结果表明该方法能够准确的进行故障诊断。本文最后针对聚合经验模态分解方法（EEMD）和Teager能量算子（TKEO）提取振动机械故障特征频率的缺点,结合盲源分离算法（BSS）,提出了基于EEMD-TKEO-BSS融合的遗传能量优化算子算法（EDO）,并应用于振动筛滚动轴承故障信号处理中。将振动机械和旋转机械轴承故障频谱分析结果进行比较后发现,该方法比单纯的希尔伯特变换（HT）和Teager能量算子方法的功能更加强大,且诊断效率高。并进行了实验测试,验证了所提出方法的优越性。