滚动轴承作为旋转机械传动系统的关键支撑部件,为风力发电机的承载与动力传递提供了坚强的保障。然而,由于风力发电机通常在恶劣环境下长时间连续运行,滚动轴承不可避免地会出现点蚀、磨损等局部故障,从而导致整个系统崩溃甚至人员伤亡。研究发现,当滚动轴承发生局部损伤时,将产生在时域表现为周期性瞬态脉冲的故障特征。然而,传感器采集的数据容易受到环境噪声和电磁干扰的污染,这使得很难从原始数据中直接识别出轴承故障特征信息。由于稀疏表示模型可以准确捕捉淹没在噪声中的故障特征,因此,本文基于稀疏表示理论,研究周期瞬态特征的提取问题,从而准确检测滚动轴承的健康状态。论文主要工作如下:（1）针对从混合信号中分离故障特征过于依赖先验知识的问题,提出了基于双树复小波包变换与混合非凸二阶差分组稀疏模型的滚动轴承故障诊断方法。首先,基于轴承故障信号的结构特点,将二阶差分模型与组稀疏模型融合,从而自适应分离出含噪信号中的故障特征,并进一步引入非凸惩罚项来提升重构信号的稀疏性。其次,利用双树复小波包变换分解振动信号,以平均子带峭度与构造的能量指标作为频带选取准则,有效消除了谐波和高斯噪声的干扰。然后,基于能量指标提出了一种正则化参数选定策略;讨论了所提模型的严格保凸条件,采用高效小波差分优化算法与极大极小优化算法求解目标函数。最后,利用数值仿真和风力发电机实测数据验证了所提方法在滚动轴承单故障检测中的有效性和优越性。（2）针对强噪声下微弱周期脉冲难以有效提取的问题,本文基于弹性网和Lp范数构造了一种非凸惩罚函数,提出了一种稀疏性增强周期组稀疏模型用以检测滚动轴承故障。提出的稀疏模型中,非凸惩罚函数的内部函数采用周期引导的弹性网组稀疏约束,并利用包络自相关函数动态更新周期先验信息,提高群内高度相关特征的提取精度。同时,在惩罚函数中引入非凸Lp范数来约束整体变量的稀疏性,从而在保持微弱脉冲振幅的前提下引导故障特征组内和组间的稀疏性。构建了一个综合评价指标作为蛾焰算法的适应度函数,实现了模型参数的自动选择。在极大极小优化算法和改进的软阈值算法的基础上,给出了模型目标函数的求解过程,并对所提方法的性能进行了分析。最后,借助两组滚动轴承故障数据验证了所提方法在弱周期脉冲的提取方面的有效性和优越性。