滚动轴承是旋转机械的核心零部件,其一旦发生故障将导致设备瘫痪,造成经济损失,因此滚动轴承故障诊断研究是一项十分重要的课题。由于振动信号采集较易实现,且振动信号中含有丰富的可表征滚动轴承状态的信息,因而多数故障诊断研究围绕振动信号分析开展。然而,滚动轴承振动信号受复杂噪声干扰,信号的降噪与特征提取是故障诊断的重要环节。同时,随着机械系统中传感器数量的增加,滚动轴承振动数据来源愈加丰富,多源数据的融合分析与智能诊断成为滚动轴承故障诊断的重点研究方向。此外,虽然滚动轴承振动数据量较大,但工业现场中的轴承故障样本较少,轴承振动监测数据普遍存在类别不均衡的问题。研究在滚动轴承故障小样本下的诊断模型,是提升算法应用价值与解决实际工程问题的关键途径。本文围绕上述滚动轴承故障诊断领域中的重点研究方向,提出了基于同轴振动特征融合的滚动轴承故障诊断研究思路。针对振动信号复杂噪声干扰、多源信息融合及类别不均衡的问题,开展了如下研究:（1）针对振动信号受复杂噪声干扰,研究了一种基于自适应确定模态数量K的变分模态分解（K-adaptive Variational Mode Decomposition,K-adaptive VMD）滚动轴承振动信号降噪算法。该算法通过固有模态函数（Intrinsic Mode Function,IMF）中心频率异常下降的现象自适应确定K,以得到尽可能大的模态个数,使模态分量频率更加集中,并提出了引入先验知识的IMFs筛选指标,在复杂噪声干扰下有效抑制了滚动轴承振动信号中的噪声。（2）基于同轴轴承振动互相传递与振动信号耦合的特点,提出了基于同轴振动信号特征融合的滚动轴承故障诊断模型,实现了滚动轴承多传感器监测数据的充分利用。首先,提出了径向基模糊熵（Radial Basis Function Fuzzy Entropy,RBF-Fuzzy En）振动特征提取方法。该方法采用径向基核函数作为模糊函数,结合模糊熵计算中最大绝对距离的分布特点,提出了一种新的IMFs筛选指标与模糊熵参数的确定方法。其次,提出同轴振动特征融合模型。通过多核学习支持向量机（Multi-kernel Learning Support Vector Machine,MKL-SVM）,自适应得到不同传感器振动特征的核函数权值,通过对核函数映射的加权求和实现同轴振动特征融合。（3）针对多核学习支持向量机核函数类型单一、核函数参数需要提前设置的问题,提出了一种基于群智能优化算法自适应寻优的多尺度核支持向量机（Multi-scale Kernel Support Vector Machine,MSK-SVM）滚动轴承故障诊断算法。在常见核函数的基础上引入了Morlet、Marr与DOG小波核函数,通过改进的灰狼优化算法（Improved Grey Wolf Optimizer,IGWO）在设定的核函数个数与尺度参数范围内进行寻优,优化方法全局寻优能力与多核学习的稀疏性可实现核函数的自适应筛选。MSK-SVM实现了多核支持向量机核函数种类、尺度参数、权值等模型参数的自适应寻优,并且核函数种类的丰富增加了诊断模型的多样性。（4）针对工业现场中的轴承正常样本多而故障样本较少,研究了星型生成对抗网络样本生成（Star Generative Adversarial Network for Sample Generation,Star GAN-SG）模型,结合同轴振动特征融合算法,提出了类别不均衡下的滚动轴承故障诊断模型。Star GAN-SG以加噪的真实故障样本为输入,通过生成器与判别器的对抗训练,可生成与该真实样本类别相同的数据,实现了多个数据集通过一个网络生成样本的多域生成,一定程度解决了滚动轴承数据类别不均衡的问题。基于由真实样本和生成样本组成的训练集,构建了同轴振动特征融合算法,实现类别不均衡下的滚动轴承故障诊断。