滚动轴承作为一种关键传动部件,其在旋转机械中的应用非常广泛。但在现场生产环境中,由于旋转机械的工作强度大、运行条件恶劣,滚动轴承非常容易出现故障。因此,对滚动轴承进行实时监测和有效诊断显得极其重要。滚动轴承故障诊断的核心在于从振动信号中提取与故障特征有关的信息并进行识别。机械故障诊断领域中常用的信号分解方法,如经验模态分解（EMD）、经验小波变换（EWT）和变分模态分解（VMD）受到众多学者的广泛研究。但是,这些方法都有其固有缺陷,限制了它们在实际中的有效应用。傅里叶分解方法（FDM）是一种新提出的信号分解方法,能够将待分析信号分解为一系列不同频带的单分量,该方法理论基础完备,避免了预先设置基函数的问题,分解具有完备性和自适应性。本文在国家自然科学基金（广义自适应谐波分解理论及其在低速重载齿轮箱故障诊断与预测中的应用,编号:51975004）的资助下,研究了FDM的算法原理,并针对其存在的理论问题,提出了相应的解决方法。通过仿真和实测信号对比分析,验证了所提方法的优越性。论文主要研究内容与创新点如下:（1）对FDM理论及算法进行研究,并针对同一仿真信号将FDM与其他分解方法进行了对比,结果表明,FDM方法克服了EMD的固有缺陷,同时能够更好地还原原始信号的固有成分,且在信号保真性方面优于所对比方法。（2）针对FDM分解效果易受噪声影响的问题,通过在分解之前引入最大相关峭度反褶积（MCKD）,提出一种MCKD与FDM相结合的故障诊断方法。通过MCKD提取与故障有关的周期性脉冲,减少振动信号中的噪声干扰,从而改善FDM的分解效果。仿真信号和实测数据的对比分析结果验证了所提方法在抑制噪声和提取频带方面的优越性。（3）针对FDM分解所得分量过多的问题,借鉴顺序统计滤波（OSF）包络处理的优势,提出了顺序统计滤波傅里叶分解方法（OSFFDM）。采用所提方法对原始频谱进行滤波和平滑预处理,减少了伪分量的产生。滚动轴承振动数据诊断结果和对比分析结果表明,OSFFDM所得结果更符合滚动轴承故障特征,诊断准确性更高。（4）为了解决FDM的频谱分割问题,受Burg算法功率谱的启发,提出了一种自适应功率谱傅里叶分解方法（APSFDM）。APSFDM采用功率谱代替傅里叶频谱以利于合理分割频谱。在仿真信号分析中,将APSFDM与EWT、EMD、VMD和FDM方法的分解结果进行比较,结果表明了所提方法的自适应性、完备性和优越性。最后,将APSFDM应用到实际采集的故障信号诊断中,通过引入自适应多尺度形态学滤波（AMMF）降噪,提高所得分量的信噪比,对比结果验证了所提基于APSFDM与AMMF合理分割频谱在仿真信号分析中,将的滚动轴承故障诊断方法在实测信号分析中的优越性。