机械设备状态监测和故障诊断对于保证机械设备的健康运行、早期故障的预警以及故障发生的准确定位与诊断都有重要的理论和实际意义。机械设备振动信号大都是非线性和非平稳信号,因此,机械设备故障诊断的关键是如何从非线性和非平稳信号中提取故障特征并进行模式识别。自适应局部迭代滤波（ALIF）是一种新的非线性自适应分解算法,其采用EMD筛分框架,基于迭代滤波和Fokker-Planck微分方程将复杂信号自适应地分解为一系列本征模态函数（IMF）。因此,本文在深入研究ALIF的基础上,针对ALIF存在的参数选择问题、模态混叠问题以及端点效应问题,提出改进的ALIF理论。重点旨在优化ALIF在处理实测信号过程中的滤波器性能,使分解得到的IMF准确表征系统动力学信息,利用其分解特性及其动力学表征属性进行机械故障诊断。通过理论分析、等效滤波测试、等效冲击响应、仿真性能分析和实验说明改进的ALIF理论的有效性及优越性。本文以滚动轴承为对象,开展基于改进的ALIF理论的机械故障诊断方法研究,将改进的ALIF理论成功应用于机械故障特征提取及故障分类中。论文的主要工作包括以下几个方面:（1）深入研究ALIF的基本理论,通过等效滤波分析、等效冲击响应测试、仿真性能分析和基于滚动轴承的特征提取说明了ALIF的有效性,并为后续改进ALIF打下了坚实的基础。在此基础上,将ALIF与Teager能量算子相结合用于滚动轴承故障诊断中,有效的提取出了故障特征。（2）针对ALIF中稳态系数和阈值参数的选择对分解结果有着较大的影响,基于粒子群算法（PSO）的全局寻优性能,提出了一种基于参数优化ALIF的微弱轴承故障诊断方法。基于轴承产生故障后其包络谱具有明显的稀疏性,将每次进化过程中的最小包络熵作为PSO参数寻优时的适应度函数。针对分解后所得到的IMF分量中不可避免的保留有原始信号中的噪声成分,提出了基于奇异值差分谱的降噪方法,进一步增强诊断结果。仿真和实验结果验证了参数优化ALIF具有良好的分解性能,所提出的诊断方法能准确地识别轴承的故障特征,具有实际的应用价值。（3）针对ALIF在处理机械设备振动信号中所遭受的模态混叠问题,深入分析了其模态混叠产生的原因,发现机械设备振动信号中广泛存在的高频间歇信号以及高频不连续信号会破坏原有ALIF滤波器性能,是其模态混叠产生的根本原因。深入研究了ALIF在高斯白噪声背景下的滤波器特性并提出了互补集合自适应局部迭代滤波（CEALIF）方法。将提出的CEALIF方法用于全生命周期中的早期轴承故障诊断,并定义加权峭度指标来选择冲击较为敏感的分量,对比分析结果验证了所提方法在轴承早期故障诊断中的有效性和应用价值。（4）针对ALIF出现的端点效应问题,在深入研究ALIF滤波器组特性的基础上,研究发现ALIF在构建Fokker-Planck滤波器时,缺失了待处理信号两端的信息,使得在计算卷积滑动算子时出现误差并反复向内扩展,最终造成端点效应,基于此提出了基于数据延拓的自适应局部迭代滤波方法。通过将待处理数据进行延拓,完善原始信号两端的极值尺度信息,使得分解结果更为准确。提出了两种延拓方式,一种是采用镜像延拓的方式完善信号两端的极值尺度信息,另一种是采用优化支持向量回归数据预测的方式来对时间序列进行预测,获得更为精确的尺度信息。（5）以滚动轴承为研究对象,把改进的ALIF理论应用在机械故障诊断领域中。针对滚动轴承的故障特征提取问题,提出了基于CEALIF的滚动轴承复合故障特征提取方法以及工业现场风力发电机滚动轴承的故障特征提取方法。针对不同载荷以及不同转速下的滚动轴承故障分类问题,一方面采用基于CEALIF和拉普拉斯分值的多域特征选择的滚动轴承故障分类方法。其通过时域、频域以及时频域等多个域的特征指标来从各个方面表征不同滚动轴承故障的多域信息,全面表达滚动轴承的失效状态。另一方面通过参数优化ALIF对滚动轴承故障信号进行分解,提取出最能表示当前状态的IMF分量。通过IMPE来精确表征不同故障轴承的动力学信息,选择最敏感IMF的IMPE值作为神经网络的输入。IMPE描述的是IMF在多个尺度粗粒化下的时移平均指标,对序列的微小波动不敏感,具有较强的鲁棒性,以此来实现不同故障程度的滚动轴承智能分类。