将压缩感知理论应用于振动信号可以解决旋转机械状态监测与故障诊断领域中大量数据的存储与传输问题,但该理论的前提条件稀疏表示技术受到字典结构限制,因此本文针对振动信号压缩感知中的字典稀疏表示技术展开了理论研究。针对字典生成过程中常用稀疏度估计方法需要历经多次才能完成最终预估导致效率低下的问题,本文提出了 BP神经网络实现稀疏度自动估计。针对学习字典虽然对应较高的重构精度但不能同时确保稀疏表示效率的问题,本文提出了基于K阶奇异值分解的级联字典。将上述研究的算法与目前常用算法通过旋转机械典型零部件（轴承、齿轮和转子）的振动信号对比验证,证实了本文提出算法的优越性,为振动信号压缩感知的工程应用提供了理论依据。本文主要研究内容包括:（1）利用奇异值分解估计稀疏度的方法探究了振动信号稀疏度与奇异值的变化规律。基于两者非线性关系,提出了采用BP神经网络估计振动信号稀疏度的方法,实现了稀疏度参数的自动预估。利用来自滚动轴承、齿轮与转子的振动信号训练验证并测试网络,测试结果表明此方法得到的估计稀疏度与真实稀疏度相比误差较低,且该误差对重构精度与稀疏效率的影响较小,使稀疏度估计更为简洁快速。（2）针对学习字典虽有较强的自适应性但字典生成较慢的问题,提出了采用级联字典结构用于振动信号稀疏表示。基于仿真信号对比常用字典生成算法效率与对应重构精度,确定了本文基于K阶奇异值分解算法的级联字典结构。（3）通过仿真信号与来自转子、滚动轴承以及齿轮实验台的的振动信号,依据压缩比、迭代时间与相关系数3个指标进行综合评价,证明了本文提出的级联字典稀疏表示效率比常见冗余基字典要高,且在有效压缩比范围内可达到原算法对应的较高重构精度。（4）基于Matlab GUI工具,将本文提出的稀疏度估计方法、级联字典与常见字典结构进行系统集成,建立可应用于Windows平台的旋转机械振动信号稀疏重构系统。