故障诊断的核心环节是信号处理。由于外界的种种干扰,在信号采集、转换、贮存过程中,均会掺入各种不同频率带宽、不同功率幅值的噪声干扰,影响了对故障特征的提取和识别。基于小波变换原理的降噪算法在近年来得到广泛应用。然而,传统的小波降噪算法却又存在着固有的缺陷。Donoho阈值提出的降噪算法,建立在噪声的数理统计特性上,选取一个通行阈值进行滤波降噪,针对的是理想化的白噪声模型。模极大值重构降噪算法则根据噪声与原始信号李氏指数不同,在不同尺度上模极大值特性不同,以此来区分噪声与原始信号,算法较为复杂,计算量较大。本文结合阈值降噪法与模极大值重构降噪算法的优点,提出一种基于小波变换的改进降噪算法,在对信号进行小波分解后,先用阈值降噪法,对高频分量进行过滤,之后再通过模极大值点,预设残留噪声功率值,在邻近尺度上进行再降噪。通过仿真验证了算法性能,进而通过故障轴承与齿轮断齿的实验信号进行处理,进一步检验了改进算法的降噪性能。实验结果表明:进行算法改进后,信噪比比传统Donoho阈值降噪算法更高,对低频的有色噪声降噪效果更为明显,信号的特征更加显现。