机械振动信号传递与承载着机械设备工作过程中所蕴含的重要信息,在线监测与采集机械振动信号是机械工程领域,尤其是故障诊断或远程故障诊断技术中的核心技术之一,本文将压缩感知理论应用到机械振动信号的监测,研究该理论时,振动信号的稀疏分解问题是压缩感知理论应用的前提和基础,且信号的稀疏分解有助于解决传统方法采样频率高,数据存储量大和传输困难等问题。稀疏分解是在一组高度冗余变换基的作用下,将待分解信号表示成一系列基的线性组合。分解后的信号可以用少量特征明显的分量来表征,即可获得简单、灵活且能表征信号特征的展开式。这种自适应分解方法是非常有用的,将为信号的后期处理提供极大的便利。因此,本文研究的重点集中于机械振动信号的稀疏分解问题。论文的主要工作及研究成果如下：1.以滚动轴承为研究对象,建立轴承振动信号的理论模型,并根据其结构特点和先验知识构造了改进的基于指数衰减余弦函数的原子库。用改进PSO算法优化MP’算法,并分别对滚动轴承振动信号在指数衰减正弦原子库和本文改进的原子库下分别进行稀疏分解,结果显示本文构造的改进的指数衰减余弦原子库有更好相似度和衰减率,且残余量也更小。2.根据滚动轴承振动信号数据产生训练样本,通过K-SVD算法并结合OMP算法设计能完全匹配滚动轴承振动信号整体特征的有训练过完备字典,再用OMP算法对与训练样本特征相似的轴承振动信号进行稀疏分解与重构,并与指数衰减正弦原子库(无训练字典)的稀疏分解与重构效果相比较,结果显示本文构造的有训练字典更加能符合振动信号的特点,能用较少或更稀疏分解系数来表达该信号,用有训练过完备字典进行稀疏分解时能以更高的精确逼近原始振动信号,有更好相似度和衰减率,且残余量也更小。