大型旋转机械在现代工业中占有重要地位,其故障将导致灾难性的事故和巨大的经济损失。振动信号承载着与旋转机械健康状况相关的关键信息,如何从振动信号中提取有用特征的研究一直备受关注。当机械转动部件发生损伤时,其振动信号表现为非线性、非平稳、非高斯特征,且早期故障特征微弱、调制性强、背景噪声大,使故障特征淹没在强背景噪声中,难以提取。本文对强噪声背景下信号的微弱故障特征提取进行了研究。奇异值分解(Singular Value Decomposition,SVD)被广泛应用于信号的降噪处理,然而对于强噪声背景下的微弱故障信号,微弱故障特征信息淹没在背景噪声中,使得SVD难以获得理想的降噪效果。本文提出了一种新的有效奇异值个数的确定方法,在有效去除噪声的同时,最大程度保留信号中的微弱故障特征信息。仿真实验证明了该方法对强白噪声背景下的微弱频率成分具有良好的处理效果。变分模态分解(Variational Mode Decomposition,VMD)作为一种新的时频分析方法,具有较好的噪声鲁棒性和频域分辨率,对于非平稳信号的处理有着独特的优势,在轴承故障信号的处理中得到了广泛的应用。对于VMD中存在的分解层数需要提前设定的问题,本文提出通过分解得到的信号总能量占原信号能量的比值来确定最佳分解层数。并且由于VMD分解本质上作为一种维纳滤波,难以识别信号中的调频(Frequency Modulation,FM)成分。针对这一问题,通过中心频率相邻的分量间的相关系数判断其是否属于同一调频成分,将相关系数大于阈值的相邻分量相加以还原信号中的调频成分。通过数值仿真和实验信号验证了该方法的有效性。碰摩故障振动响应的典型特征是除转动频率外,还引入了次谐波和超谐波分量,且基频的瞬时频率(Instantaneous Frequency,IF)将周期性地围绕旋转频率变化,IF的波动频率与旋转频率一致。但在摩擦初期,谐波分量较小,振动响应幅值较弱。此外,振动信号可能含有强背景噪声,完全可以掩盖早期故障的两个弱特征。为精确提取这类故障特征,本文提出了一种改进的多同步压缩变换方法(Multisynchrosqueezing Transform,MSST),通过迭代更新重分配算子,降低了达到最高集中度所需的运算次数,并进一步证明了这一方法对于高阶瞬时频率估计的有效性。通过对得到的时频谱进行脊检测,就可以最终得到信号的谐波分量,从而实现对转子碰摩故障的早期诊断。