工业作为国民经济发展的命脉,起着举足轻重的作用。机械装备是工业的重中之重,已逐渐向高端化、复杂化、智能化发展。然而,大多机械装备的运行环境都十分恶劣,难免会发生性能衰退,甚至宕机等情况。因此,在复杂工况下进行机械装备的状态监测和故障诊断事关重大。滚动轴承作为机械设备的关键零部件,对其进行监测与诊断不可或缺。当前,变转速工况下的研究逐渐成为研究者们青睐的课题。与恒转速运行环境相比,变转速下收集的反映设备运行状态的信息会受到速度波动的影响,诊断起来更具挑战性。时频分析（TFA）方法是研究非平稳信号的强大工具,已经在设备故障诊断领域得到广泛应用。从构建时频表示（TFR）角度来看,时频分布（TFD）能量聚集性是影响诊断效果的重要因素。从信号分解角度来看,各个分量的重构精度影响最终的诊断结果。针对变转速工况下的滚动轴承故障诊断问题,本文以新型TFA技术作为研究方法,从TFR和信号分解方面进行研究。论文以理论、方法、应用为研究路线,主要工作如下:（1）基于TFR,研究同步挤压变换（SST）在变转速滚动轴承故障诊断上的应用。SST不仅能提高TFR的能量聚集性,而且容易对信号进行重构。但是,在分析快速时变信号时,所构建的TFR存在能量模糊甚至发散的现象。针对这一问题,本文发展了一种新的同步挤压提取变换（SSET）方法。该方法的主要思想是进行多次使时频能量更加聚集的操作。首先,能量挤压的思想对信号时频系数进行重分配,实现能量的初步聚集;其次,能量提取的思想对信号时频系数进行提取,实现能量的再次聚集。仿真实验验证了所提方法在时频聚集性、抗噪鲁棒性等方面的优异性能。在实际应用中,发展了基于所提SSET的变速滚动轴承故障诊断新方法,并在实测信号中验证了该方法的有效性。（2）基于信号分解,研究自适应调频模式分解（ACMD）方法在变转速滚动轴承故障诊断上的应用。ACMD是变分模态分解（VMD）的进一步扩展,从窄带信号扩展到宽带时变信号的分析。递归框架的应用使信号能一一被分解,算法有很强的自适应性。迭代算法的应用使估计分量能逐步逼近信号真实值。然而,在每次递归分解前需要提供当前待分解分量的瞬时频率（IF）信息。针对这一问题,本文提出使用脊检测算法用于获取递归分解前需要的信息。然后,针对变转速滚动轴承故障诊断问题,发展了ACMD和脊检测算法相结合的诊断新方法。使用不同健康状态的轴承实测数据发现:相比于基于TFR的诊断方法,此方法诊断效果更佳,构建的理想时频表示（ITFR）只包含与故障相关的信息。（3）递归框架ACMD方法虽然具有强自适应性,但是重构分量的精度不高。对于两个相对接近的分量,重构精度甚至会随着迭代增加而下降,越来越偏离真实值。针对这一问题,提出了改进的新方法,两步自适应调频模式分解（two-step ACMD）。所提方法的核心思想是让不同的框架去做他们最擅长的事情。不含迭代算法的递归框架用于信号的初步分解,而包含迭代算法的联合估计框架实现信号的精准重构。同样,该方法也被用于变转速下的滚动轴承故障诊断。在实测数据实验中,成功诊断了带有内圈和外圈故障的轴承,验证了该方法在实际中的应用潜力。