非平稳信号时频分析是现代信号处理的一个重要研究内容和发展方向,并在各个领域中取得了广泛的应用。时频分析的任务是描述信号的频谱如何在时间上变化,研究并了解时变频谱在数学和物理之间的对应关系,通过构造合适的时频分布对不同的信号进行处理。本文基于非平稳信号时频分析方法,利用流行学习和奇异值分解方法进行故障特征提取,并应用支持向量机进行故障模式识别,从而完成对故障的识别和分类。论文的主要研究工作包括:研究了非平稳信号时频分析方法的基本理论,主要对希尔伯特黄变换(HHT)和固有时间尺度分解(ITD)方法进行研究。针对希尔伯特黄变换算法,主要研究瞬时频率、本征模态函数、经验模态分解(EMD)方法等,并对EMD算法存在的两个主要问题模态混叠和端点效应问题,给出了相应的改进措施。针对ITD算法,主要研究了其基本原理,对瞬时时频信息给出了定义,并对算法的优越性进行研究。针对信号的非线性非平稳特性,提出了一种基于希尔伯特黄变换-监督的局部线性嵌入和支持向量机的故障诊断方法。研究信号的Hilbert边际谱表示方法,并与傅里叶幅值谱进行比较分析,说明其在非平稳信号时频分析中的优势。将其与监督的局部线性嵌入方法相结合,对边际谱获取的高维数据特征进行降维,获得特征向量。采用支持向量机方法实现故障的分类,并通过仿真实验对所提方法在非平稳信号故障特征提取中的有效性进行验证。研究了基于ITD的非平稳信号时频分析方法,提出了一种基于固有时间尺度分解-奇异值分解和支持向量机的故障诊断方法。采用ITD方法自适应的对信号进行分解,并构造初始特征向量矩阵。通过奇异值分解方法对该矩阵进行奇异值分解,将得到的奇异值作为信号的最终特征向量,采用支持向量机进行故障分类,可实现复杂环境下非平稳信号的故障诊断。将上述两种基于非平稳信号时频分析的故障诊断方法应用于机械振动信号中。通过实验说明两种故障诊断方法在振动信号故障诊断中的有效性,并结合实验结果对比分析,说明文中所提出的方法的优越性。