滚动轴承在各个工业领域都扮演着至关重要的角色,但它也是最主要的机械故障来源之一。长期以来,研究人员将振动信号作为故障诊断领域的主要研究对象,导致声学信号分析方法的研究落后于振动信号。然而,相比于振动信号,声学信号能够实现非接触测量,还具有设备简单、传感器易安装、信号易获取等优点。因此,研究基于声学信号的故障诊断方法具有重要的现实意义和广阔的应用前景。传统的故障诊断思路是先对原始信号进行复杂的映射和变换,降低噪声和冗余信息,突出故障特征,然后对故障特征进行分类。但是,面对信噪比低、故障特征微弱的滚动轴承声学信号,传统思路下的特征提取算法的降噪过程变得非常复杂,很难满足实时性要求。因此,本文结合图像特征提取算法和词袋模型,省略复杂的降噪过程,分别针对单一工况和多工况提出了两种基于声学信号的滚动轴承故障诊断方法。实验结果表明,这些方法诊断效果理想,且能够满足实时性要求,具有较高的实际应用价值。首先,本文对滚动轴承的故障机理和常见的基于声学信号的故障诊断方法进行介绍。在分析滚动轴承固有频率和故障特征频率的基础上,说明单纯通过频谱分析方法完成故障诊断的局限性。通过分析振动与声音的关系,从理论上说明通过声学信号进行故障诊断的可行性。其次,基于研究目标制定总体实验方案,采集声学信号,并对声学信号进行前期处理。实验内容包括5种转速下的6种故障类型的滚动轴承的声学信号采集。采集实验过程中,实验人员在实验台周围来回走动和交谈,模拟现实场景。将采集到的声学信号转换成灰度图,为后续的研究工作做准备。再次,结合FAST特征点检测算法和SIFT特征提取算法,提出FASTUnoriented-SIFT特征提取算法。该算法忽略了特征点主方向信息,能够实现快速提取大量特征的目的。在此基础上,提出基于FAST-Unoriented-SIFT特征提取和词袋模型的故障诊断方法。通过一系列实验,说明该故障诊断方法在故障识别准确率、识别稳定性、运算效率上的优秀表现,以及FAST-Unoriented-SIFT算法相比于SIFT算法在特征提取量和提取速度上的优势。然后,在FAST-Unoriented-SIFT特征提取算法的基础上提出局部峭度特征和局部二维信息熵特征。针对多工况故障诊断问题,提出能够自适应选取基础词汇数量的自适应扩展词袋模型。利用局部峭度特征、局部二维信息熵特征和Unoriented-SIFT特征分别构建三层词袋模型上每一层的码本,通过层层诊断,层层筛选,得出最终诊断结果。通过实验说明自适应扩展词袋模型针对多工况故障诊断问题,在故障识别准确率以及运算效率上相对于传统词袋模型有明显优势。最后,本文对本次研究工作进行总结,并对相关研究的未来发展进行展望。该论文共有图37幅,表9个,参考文献136篇。