为保证机械的运转处于正常状态,需对其振动信号进行采集与检测,及时发现机械的故障信息,然而随着人们对信息需求量的增加,传统的奈奎斯特采样理论的高采样频率不仅对采样设备提出了较高要求,还会产生大量数据,提高了信息传递与存储的压力,为此,人们提出了压缩感知作为一种新型的采样方式。本文以压缩感知理论为基础,并以滚动轴承故障信号为原始信号,对其故障信息的提取方法进行了相关研究。针对压缩感知框架中稀疏表示方法、测量矩阵、重构算法三个核心问题,本文对其中各算法及参数进行了分析与选择,首先利用K-SVD算法对信号进行稀疏分解,通过单因素分析方法对算法中参数值的组合进行了试验选取,接着对各常用测量矩阵的重构精度及重构算法的性能进行对比分析,选择出适合本文信号的测量矩阵及重构算法。随后,本文将神经网络引入压缩感知过程,利用神经网络对非线性时间序列的预测能力,将压缩采样得到的观测值拆分为前后两组数据,并以前组数据为基础,通过神经网络对观测值的后一组数据进行预测,最终利用预测的观测值对信号进行重构,以此减少需存储及传输的数据量,实现了信号的二次压缩。本文通过仿真试验证明了该信号提取方法能够保证信号较高的重构精度,利用重构信号频谱可以准确提取轴承的故障信息。在实际信号的采集与传输过程中,信号不可避免地会受干扰因素影响,本文针对信号受噪声干扰及存在数据随机性丢失两种情况进行了模拟试验,得出了能够保证本文方法准确判别故障信息的信噪比及数据丢失比例界限。