机械设备故障诊断技术中信号的特征提取对于设备故障诊断具有非常重要的意义。在旋转机械故障振动信号的采集和传输过程中,针对外界环境的影响可能会在信号中形成局部强噪声干扰,从而造成分析结果的失真以及由于旋转机械故障振动信号通常具有较宽的频谱成分,致使传统的滤波降噪方法存在很大的局限性等问题,基于经验模态分解(EMD)和神经网络模型提出了一种信号降噪与识别方法。Hilbert-Huang变换是一种新的自适应信号处理方法,通过经验模态分解方法(EMD)可以获得一系列固有模态函数(IMF),通过对故障信号的多阶IMF分量进行边际谱分析,计算得到Hilbert时频谱;在此基础上计算Hilbert时频谱的重心,构建一个特征向量。最后采用神经网络进行训练和学习,实现设备的状态识别。并以滚动轴承的状态识别为例证明此方法的有效性。从实验结果来看,分类的正确率是很高的,验证了该方法的有效性,表明此方法有助于设备预知维修的实现。