随着高档数控装备功能日趋丰富和复杂，一旦某一关键部件在运行时出现微弱故障，就可能影响整台装备的安全运行，因此，研究复杂机械装备微弱故障信号的特征提取技术和应用是确保数控系统安全、可靠、连续运行的关键。　　 滚动轴承是出现故障频率最高的部件之一，因此，本文从滚动轴承早期故障特征提取方法展开研究。传统的经验模式分解算法(EMD)能够有效地处理非平稳非线性动态信号，但在噪声和脉冲冲击的干扰下会出现模式混叠的问题，为此，引入噪声辅助集合经验模式分解(EEMD)来处理滚动轴承的故障动态信号，分离和提取出振动信号中所包含的故障特征信号和噪声信号，解决了模式混叠问题。　　 针对滚动轴承等关键部件早期微弱特征信号时变、非线性、信噪比低等特性，尤其在更强的背景噪声干扰下，提取出微弱的低频信号的故障特征频率更是难上加难。因此，在进行特征频率的分解和提取之前必须先对大噪声信号进行降噪处理，研究了基于级联双稳随机共振预处理后非平稳动态信号EEMD分解的微弱特征提取算法。该算法使湮没在强大随机背景噪声中的微弱故障信息通过级联随机共振各级系统的共振作用得到增强放大。最后，通过MATLAB平台编写了上述算法的程序，并将该算法应用于仿真系统和工程实测中，分析结果表明该算法能快速、有效地消除信号里的高频噪声干扰，并突出低频有用信号成分，降噪效果显著。　　 本文所研究的算法能够应用于数控系统状态检测与故障诊断系统中，实现在强噪声背景下预测潜在的早期微弱故障，并为远程故障诊断系统的研究提供理论基础，在机械设备故障诊断领域中具有重要的应用价值。