信号处理是故障诊断的核心问题,其目的在于提取信号中携带的故障特征;噪声信号也称声学信号,与振动信号相比,同样适用于机械故障诊断与监测,并具有无接触式监测、操作快捷简便、传感器要求低等优势;但因其独特的传播方式,形成了特殊的声场环境,需要在噪声与信号模型等方面加以关注;因此,本文将围绕针对机械声信号冲击特征提取的去噪算法与时域盲解卷积算法进行研究。为提取出声学信号中隐藏的故障特征,本文基于盲信号处理卷积混叠模型,对声学信号特征提取算法进行研究和探索,从理论与实验仿真两方面,对比验证独立分量分析FastICA的两种改进算法,EFICA与RobustICA在时域盲解卷积中的性能表现,发现在冲击型信号的盲解卷积中,EFICA算法要更加稳定和有效。考虑到声信号的传播过程易受干扰,对适应于机械声学信号处理的去噪算法开展研究。从算法基础理论模型到具体实现步骤,探究了小波分解重构算法,及其进阶优化算法,平移不变量小波去噪法;又对Kalman滤波作了论述;经分析提出KTIWD算法;实验证明了该算法的优越性,适应于鞍点较多的冲击型故障信号处理。在时域盲解卷积算法研究中,尤其是在长卷积的问题中,面对成倍增长的信号数量,需要对信号空间进行聚类提取;对此,本文结合理论模型与使用条件,对FCM基于核的改进算法KFCM,和拓展条件下的改进算法Conditional FCM进行分析,并提出一种可关联信号频域与时域差别进行区分的信号聚类算法,TF_KFCM算法。通过实验,对比KFCM聚类,验证了TF_KFCM算法的有效性。最后,将以上改进研究整合于冲击型机械故障信号提取中,提出新的KETFE算法,并应用于模拟声学信号故障特征提取试验中,成功提取出故障特征信号,验证了改进算法在声信号故障特征提取中的效能。