电机广泛应用于交通运输、工业制造中,需要持续的健康监测以避免造成系统故障,防止不必要的机器停机、生产延误和相关的人身财产损失。滚动轴承是电机中最容易出现故障的零件,一旦出现故障将严重影响电机的寿命和性能。因此,尽早发现电机轴承的早期故障,及时做好维护具有重要的意义。相对于目前较为流行的基于振动和声发射信号的故障检测方法,电流信号具有不受环境干扰的特点。针对轴承早期故障电流信号中存在的故障特征微弱而难以提取,以及特征易被谐波及噪声干扰等问题,提出了参数优化时变滤波模式分解与循环双谱二次切片相结合的轴承损伤检测方法。针对谐波及噪声干扰问题,采用参数优化时变滤波模式分解算法,分离出只含电源基频的分量,去除电流信号中的谐波及其它高频噪声干扰。由于时变滤波模式分解算法中的非均匀B样条阶数n和带宽阈值ξ对分解精度和分离性能影响较大,本文提出了以最小平均包络熵作为最佳适应度,基于鲸鱼算法来搜寻最佳n和ξ参数组合的参数优化方法,以获得最佳的分解性能,解决参数设置不合理的问题。基于仿真数据,通过与传统的分解方法进行比较,验证了本文所提方法在分解去噪方面的有效性及优越性。针对微弱故障特征难以提取的问题,提出了适用于电流信号的循环双谱二次切片故障特征提取方法。首先将循环双谱进行对角切片,将四维关系转换为三维,然后在循环频率轴上,基于最大故障特征频率比选取垂直切片,得到双谱幅值关于频率分量的二维图像,从而可以清晰有效地提取到故障特征。最后基于仿真数据,验证了本文所提方法在提取故障特征方面的有效性及优越性。搭建了基于DSP的电机轴承故障试验平台,设计了相关的硬件及软件,采集轴承故障时的定子电流数据。使用参数优化时变滤波模式分解及循环双谱二次切片的特征提取方法进行处理,并与其它特征提取方法对比,试验结果验证了本文所提方法在检测电机轴承故障时的有效性及优越性。