在机械设备早期故障诊断中,最重要也是最困难的就是故障信号的特征提取。受到现场环境的影响,所测得的信号包含大量的噪声干扰,信号的特征很微弱,往往被噪声淹没,很难获得准确的设备状态信息。如何从含噪的混合信号中检测出微弱故障特征信号是当前研究的一个热点问题。对于单一的旋转机械,论文在研究形态滤波、奇异值分解(SVD)降噪的基础上提出了经验模态分解(EMD)微弱信号检测方法和随机共振微弱信号检测方法,并通过轴承故障得以验证所提方法的有效性；对于复杂的旋转机械,由传感器采集的信号源比较复杂,所以论文研究了基于独立分量分析(ICA)的微弱信号检测方法,并成功应用于齿轮箱的故障诊断中；对于有些机械设备出现故障时,由于其工作过程不具有周期性,所以无法直接从故障频率来判断故障模式,如刀具的磨损监测。鉴于此,论文提出了微弱特征提取与遗传算法优化的B样条模糊神经网络相结合的智能诊断方法,最后准确实现了刀具磨损的故障诊断。具体的研究内容如下：利用联合降噪结合经验模式分解的方法实现了轴承的故障诊断。经验模式分解是一种自适应的时频分析方法。在强噪声背景下利用经验模式分解提取故障特征时,噪声的存在会加重分解的边界效应,影响分解的质量和效果。因此,论文提出一种将形态滤波和奇异值分解消噪及EMD结合起来的新的弱故障特征提取方法。首先对原始振动信号进行形态滤波,然后进行SVD降噪,最后把消噪的信号进行EMD分解,获得本征模态分量提取故障特征信息。仿真信号和轴承故障分析结果均表明,该方法可以提高EMD分解的质量,能提取到有效的微弱故障特征。由于随机共振能够利用噪声来增强信号,所以它在强噪声背景下检测微弱故障特征有着独特的优势。将该方法应用于轴承故障诊中,可以看出,当故障频率与噪声频带比较接近时,经该方法处理后的信号,信噪比更高,故障识别更明显。针对实际工程上采集的信号难以满足小参数随机共振的条件,论文研究移频-变尺度随机共振方法实现了大参数信号的微弱故障检测。同时,为了实现与输入信号最佳匹配的随机共振参数,提出基于遗传算法的多参数同步优化的自适应随机共振算法,以双稳系统输出的信噪比为适应度函数,对随机共振系统中的多个参数进行同步优化,克服了传统随机共振系统只实现单参数优化的缺点。对于复杂的旋转机械,独立分量分析可以从源信号中分离出各个独立分量,是一种很有效的微弱信号检测方法。对于含噪的单通道ICA分离方法,提出将噪声作为虚拟观测信号引入,与传感器采集的信号一起构成二维观测向量,通过Fast ICA分离,即可以解决盲分离中的欠定问题,又可以将信号中的噪声去除,从而增强信号的有效特征；另一方面,对于多通道盲分离,研究了基于频域的盲解卷算法,并将这种方法应用于齿轮箱的故障监测中,实验结果表明了该方法能成功应用于机械故障诊断中。刀具的磨损监测过程不具有周期性,所以无法直接从故障频率来判断故障模式,采用B样条模糊神经网络则可以实现刀具磨损的故障诊断。以B样条为基函数的模糊神经网络,传统的学习算法是采用自适应学习算法,网络参数需要根据经验标定,容易陷入局部最小,论文采用遗传算法优化网络参数进行全局寻优,得到了比较好的诊断效果。同时通过对比发现,利用经验模式分解,随机共振以及Fast ICA实现多参数故障特征提取,可以提高设备的故障诊断率。实验表明了所提方法的有效性。论文最后对本文工作进行了总结,并对故障特征提取技术的研究进行了展望。