由于现代设备的复杂程度越来越高，导致其振动信号表现出典型的非线性、多源耦合特征，加之背景噪声的干扰，给机械振源（尤其是故障源）的准确识别带来巨大挑战。本文针对复合机械振动信号中故障源特征的提取问题，通过引入盲源分离技术将多源故障进行分离，从而实现故障特征的识别和诊断。　　具体研究内容如下:　　(1)针对信源未知的观测信号，本文研究了观测信号大于源数（超定）和小于源数（欠定）两种不同情况下的源数估计问题。考虑到现场实际工况，以欠定情况下的源数估计作为重点，建立了基于小波分析和经验模式分解(EMD)的两类算法欠定特征值源数估计算法。　　(2)对两种常用盲源分离算法JADE算法和Fast-ICA算法进行了仿真分析，通过PI指标、相似系数及信噪比比较两种方法的分离结果，选择较优的分离算法，并通过实验信号对其分离性能进行验证。　　(3)建立了一种基于EMD分解的单通道信号的盲源分离方法，用单通道振动信号EMD分解得到的IMF估计观测信号中源的个数，然后根据估计的源数选择合适的IMF和原始观测信号共同组成多维虚拟观测信号，从而将单通道的盲源分离问题转化为标准的盲源分离问题。　　(4)由于信号传递过程中存在着时延，使得观测信号混合的方式更加接近于卷积混合。本文分析了时域反卷积中存在滤波器阶数和收敛速度之间的矛盾，建立了一种频域反卷积算法，可以将时域卷积混合信号转换为频域瞬时混合信号，然后采用复数域Fast-ICA算法实现各源信号的特征分离。　　(5)由于现场工程信号中噪声和有用信号特征均未知，传统的降噪方法在滤除干扰信号同时可能会扼杀有用信号成分。为了使淹没在噪声中的故障特征清楚地表现出来，本文引入两种基于自适应滤波的降噪方法，通过设置不同的参考输入，经过基于LMS方法的自适应滤波器，实现原始信号的有效除噪。