滚动轴承在轨道交通、风力发电和航空航天等大型机械中有着广泛的应用,作为一种通用零部件,滚动轴承的运行状态直接影响着整台机械设备的性能。由于机械设备工作环境复杂,在轴承振动数据采集的过程中不可避免地会有测量噪声和环境噪声的干扰,若不对噪声进行处理,则会对轴承的健康状态监测和故障诊断造成一定的困难,因此对轴承振动信号进行降噪具有重要的意义。在轴承故障诊断的过程中,通常要提取一定的振动特征,不同的振动特征对故障分类的敏感程度是不同的,研究如何选取对故障区分度最好的敏感特征子集对轴承故障诊断具有重大的意义。本文围绕滚动轴承振动信号降噪和特征提取问题展开研究,主要研究内容如下:（1）针对滚动轴承振动信号的降噪问题,提出了一种增强VMD小波阈值降噪方法,该方法在VMD小波阈值降噪算法的基础上引入了对故障冲击敏感的峭度指标。根据分量信号峭度值的大小选取对故障冲击敏感的分量,并对这些敏感分量进行小波阈值处理,最终实现强背景噪声下轴承振动信号的高效率降噪。通过仿真和实验验证了所提方法的有效性。（2）针对轴承故障敏感特征提取问题,提出了一种改进的距离评估方法,该方法首先利用传统距离评估方法将不敏感特征去除,并对所提取的敏感特征进行相关度分析,然后综合考虑敏感特征的敏感度和冗余度,最终实现总特征集中不敏感特征和敏感特征集中冗余特征的去除。结合K均值聚类算法建立轴承故障分类模型,实现对轴承不同故障类型的分类。通过数据集和实验验证了所提方法在敏感特征提取和故障分类上的有效性和优越性。（3）基于轴承振动信号降噪和故障特征提取算法的研究,编制了电机轴承运行状态监测系统,该系统包括数据采集模块、数据处理模块、数据管理模块和界面显示模块四个模块,系统可以实现同时对多台轴承运行装置的监测,完成轴承的信号采集、信号降噪、故障分类、数据储存和回放,证明了所提轴承振动信号降噪算法和特征提取算法在实际工程中的应用能力。