信号自适应分解方法能根据信号本身的特征将复杂信号分解成一系列简单分量之和,在故障诊断中被广泛用来消除噪声和提取故障特征。为了提高经验小波变换(Empirical Wavelet Transform,EWT)提取轴承故障特征的能力,本文开展了自适应信号分解方法对比分析研究,取得以下成果:对比分析了常用自适应信号分解方法的分解方式、分解成份和分解能力。证明经验小波变换在抗模态混叠和分解时间方面明显优于经验模态分解,因而更适用于轴承振动信号故障特征提取。EWT在对信号进行分解时,必须通过傅里叶谱的合理分割来达到良好的效果。针对实际信号复杂多变,经验小波变换实施不变的问题,提出了改进经验小波变换(Improved Empirical Wavelet Transform,IEWT)算法。该算法引入循环包络分析,采用“locmaxmin”方法分割信号频谱,获取多个单分量;然后采用Pearson相关系数衡量相邻分量间的关联度,将关联度高的单分量合并,作为新的分割策略。仿真信号分析证明了该方法能更高效合理地进行频谱分割。为提高轴承故障特征提取效率,提出了熵价值评价方法,用于对改进经验小波变换分解得到的固有模态函数分量进行有效筛选。在此基础上,提出了基于IEWT和固有模态函数(Intrinsic Mode Function,IMF)熵价值评价的轴承故障特征提取方法,在工业现场有效验证。