本文针对已有诊断方法对强噪声环境中滚动轴承早期故障诊断的不足,提出一种基于谱聚类算法、经验小波变换（EWT）、L-峭度、蝗虫优化算法（GOA）和最大相关峭度解卷积（MCKD）降噪相结合的滚动轴承早期故障识别方法。本文的具体研究内容如下:（1）针对传统MCKD算法依赖于先验知识和相关参数的合理选择这一不足,为了充分发挥MCKD算法的信号特征提取性能,对影响最大的T、L、M和C这四个重要参数进行了研究,分别分析了各参数对计算时间和降噪性能的影响,确定了合适的循环次数C的参数值、移位数M的最优值和滤波器的长度L的寻优范围,提出利用蝗虫优化算法对解卷积周期T进行寻优。为后文基于蝗虫优化算法的自适应MCKD方法的提出打下了基础。（2）将MCKD算法与群智能优化算法中的蝗虫优化算法（GOA）结合,利用蝗虫优化算法（GOA）实现了 MCKD重要参数T和L的自适应选择。其中提出了一个新的指标-平均特征幅值比（AFAR）作为GOA的适应度函数,并且提出了确定解卷积周期T搜索范围的方法,总结出一种基于GOA优化的MCKD轴承故障诊断方法。最后通过对仿真轴承故障信号进行诊断证明了该方法能够有效提取混合信号中的故障特征周期脉冲信号成分。（3）将谱聚类算法与EWT结合,对经验小波变换方法中确定分割边界的计算流程进行了改进。利用谱聚类算法对信号频谱构成的样本点进行聚类分割,改善了传统经验小波变换频谱分割过程中极大值的选取往往陷入局部最优,导致分解出的信号分量混叠的缺点。提出了频谱分割效果更好的SEWT方法,对采集的混合进行频谱分割消噪,提升GOA-MCKD方法特征提取效果。（4）将SEWT消噪方法和GOA-MCKD方法结合,同时引入了 L峭度这一新统计量,提出了一种新的适用于强噪声背景下轴承故障诊断方法。为了证明提出方法的有效性,建立了对应的仿真信号进行验证。通过与MCKD-IEWT和增强聚类分割方法这两种较新的轴承故障诊断方法对比证明了本文提出的新方法降噪新能和故障特征提取性能更好。最后利用该方法对轴承故障模拟试验台和变速器试验台进行故障诊断,证明了该诊断方法的适用性较强,且准确性较高。