滚动轴承作为机械设备中用于支撑转动和传递动力的关键部件,其运转状态良好与否,直接关系到设备整体能否稳定高效地运行。又因高速运转时受交变载荷作用、润滑不足、恶劣工况下异物侵入等诸多因素影响,使其成为最易发生故障和受损的部件之一,故本文决定将故障振动信号的时频分析、故障特征提取以及故障诊断作为主要研究方向。滚动轴承的振动信号蕴含丰富的故障信息,而以经验模态分解为核心的自适应时频分析法十分善于处理这类非线性非平稳信号,因此选择经验模态分解作为主要的信号处理手段,但经验模态分解并非完美,长期以来深受模态混叠和端点效应的双重影响,制约其进一步发展。针对以上问题,本文给出一些解决途径并提出一种结合CEEMDCAN信号处理和SVM分类的故障诊断新方案,最后对有关故障数据进行实验验证和分析。具体内容如下:（1）对于端点效应问题,本文提出一种基于灰色预测和加窗函数相结合的算法,发挥灰色预测善于处理小样本、贫信号的特点,对信号两端做局部延拓处理,其中选用更适合对震荡序列进行预测的ROGM（1,1）模型替代传统灰色动态模型,然后对延拓部分和原始信号分别施加窗函数,让拟合的包络线平缓地收敛于信号的两端处。最后和其它解决方法作仿真对比分析,并以均方根误差和相似系数作为量化评价指标,验证了所提算法具备抑制端点效应的能力。（2）对于模态混叠问题,首先阐述了模态混叠现象的本质并回顾了EEMD、CEEMD和CEEMDAN等经典算法的原理,其中,CEEMD利用正、负白噪声相互抵消来降低噪声残留;CEEMDAN先对IMF1求一阶集合均值,再立刻分离一阶集合均值,并且每次混入的噪声分量都是经EMD自适应处理的结果。本文对上述三种算法各取所长,吸取正、负白噪声相抵和逐层分解的优点,即在逐层分解时添加互补白噪声的CEEMDAN改进算法,通过正、负白噪声相互抵消的原理来降低逐层分解时各阶IMF分量的噪声残留问题。（3）最后给出一种以CEEMDCAN与SVM为基础的滚动轴承故障诊断新途径。故障信号先经时频算法处理得到故障信号分量,再根据相关系数阈值划定故障特征分量范围,对特征分量逐个计算能量特征值和能量熵,最后把特征向量用作SVM的输入数据集,训练出识别模型。最后同上述其它三种经典时频分析法作对照试验,验证了本文所提方法的可用性和有效性。