滚动轴承是旋转机械的核心零部件,它的工作状态是确保机械系统安全运转的关键因素。滚动轴承的工况严苛多变,导致其容易磨损,因此有必要对滚动轴承可能存在的缺陷进行检测。对滚动轴承的状态分析通常采用振动信号分析技术,然而实际采集的轴承振动信号的故障特征经常淹没在随机噪声中,这增加了后续轴承故障诊断的难度。论文研究信号降噪技术在滚动轴承故障检测中的应用,提出了降噪方法,对噪声背景下的滚动轴承振动信号进行处理,提高了输出信噪比。论文的主要创新点包含以下两个方面:1.针对强噪声干扰下滚动轴承故障特征容易被噪声淹没的问题,论文提出了自适应噪声完备经验模态分解（CEEMDAN）与小波收缩结合的振动信号去噪方法,该方法利用了经验模态分解和小波分析的多分辨率特性,对CEEMDAN分解得到的主分量进行小波收缩去噪消除了噪声的影响。此外,针对小波去噪中阈值选取困难的问题,提出了一种基于控制图的自适应小波阈值选取方法,实现了小波各尺度阈值的自适应选取,有效解决了轴承故障信号的非平稳特性造成的阈值选取困难问题。仿真结果表明,基于控制图的自适应小波阈值选取方法比BayesShrink和SureShrink等传统阈值选取方法具有更强的鲁棒性和更好的去噪效果。相比于单一的CEEMDAN或小波收缩去噪方法,论文提出的结合方法能有效滤除滚动轴承振动信号中的噪声成分,在低信噪比情况下信噪比增益达到9.05dB。2.针对传统奇异谱分析方法在非平稳环境下去噪效果不佳的问题,论文提出了一种改进的张量谱分析去噪方法,为了解决张量谱分析中信号重构的问题,提出基于经验模态分解的自适应特征张量分组方法,解决了张量奇异谱分析存在的分组选取困难问题。仿真结果表明,相比于奇异谱分析方法,张量谱分析能够有效去除噪声,在低信噪比情况下信噪比增益达到11.05dB,振动信号的故障特征更加明显。