作为机械装备中基本而又极其重要的零件,轴承健康与否在很大程度上决定着机器的安全运行,同时也影响着产品质量是否可靠达标。随着机械设备使用时间的增加,运行工况的恶化,运维服务的欠缺,轴承等传动件不可避免地将出现各种故障和问题,为了避免这些问题和故障,有必要对机械装备的健康状态进行检测或监测以实现预知维修。动态模式分解作为一种从流场领域引申而来的方法,有着传统信号分析方法不具有的优势,在轴承故障特征提取与健康监测中有着强大的应用潜力。本文以动态模式分解为基础,在机械领域已有的相关成果上改进了相关方法及步骤,进一步拓展了动态模式分解在轴承故障诊断及健康监测方面的应用前景,主要内容如下:（1）针对前人截断秩方法出现的提取故障特征不全,在强背景噪声中不能提取低能量故障频率的问题,研究改进了动态模式分解截断秩的选取方法和投影降噪方法,实验表明改进的选取方法能够进一步提取出轴承故障细节特征。引入表征信号分量不规则性指标用于模式筛选,使得恢复信号故障特征更加明显,可读性更高。动态模式分解方法增强了恢复信号的故障特征,提高了故障频域的可读性。（2）针对动态模式分解在大数据下分解过程占用空间大,时间长的问题,引入结合压缩感知的压缩动态模式分解方法,结合多尺度排列熵的筛选方法在缩短分解用时的同时达到了良好的故障提取效果。针对分解所得特征值的实际意义建立了表征轴承全生命周期的监测指标,取得了与前人相似的结论。实验结果表明,压缩动态模式分解方法大大提高了计算效率,为设备状态在线监测中算法的实时性提供了保障。（3）针对动态模式分解应用场景和工况条件的限制,研究了压缩动态模式分解针对变工况信号的分析方法。采用改进的角域重采样技术将时域非平稳信号转换为角域平稳信号,使得该过程避免了复杂转速曲线的拟合,实验表明结合角域重采样的压缩动态模式分解方法依旧具有良好的故障提取效果。角域重采样压缩动态模式分解方法拓展了以动态模式分解为基础的故障提取方法的应用范围。