时频分析能够揭示旋转机械非平稳信号的频率成分及其时变特征,由此构建的时频图像包含机械工作状态丰富的特征信息。基于对旋转机械时频图像稀疏本质的考察和认识,采用压缩感知、稀疏表示降维、局部约束低秩编码、智能模式识别、证据理论及多目标优化等方法,对故障诊断过程的时频图像构建、特征提取及多特征决策融合诊断进行了深入研究,提出了基于振动信号时频图像识别的多特征决策融合旋转机械故障诊断方法。该研究对时频分析理论发展具有十分重要的意义,同时对其它工程领域非平稳信号的特征提取及分类也具有广泛的应用前景。绝大多数时频图像都是基于Wigner-Ville分布产生的,因此均会遭受固有交叉项的干扰,降低了时频图像的分辨率;此外时频图像包含大量傅立叶样本,不利于实时处理和远距离传输。为此提出基于压缩感知理论的旋转机械振动信号时频图像构建方法,该方法从信号模糊域原点附近得到观测向量,并通过可调径向高斯核函数自适应地对模糊函数进行作用以抑制交叉项的干扰,而观测估计值由稀疏时频表示的二维傅立叶变换得到;利用改进梯度投影法实现重构模型的求解,并采用投影规则获得稀疏时频图像。通过仿真数据和转子故障实测数据对该方法的性能进行了验证,结果表明所提方法不仅在分辨率及压缩比方面取得了较好的效果,而且在重构准确度及抗噪性能方面也有了提升。对于大样本的时频图像特征提取问题,基于稀疏表示的降维方法能够从时频图像中获得有效特征,但该类方法存在判别性低及计算复杂度高的问题。为此提出基于改进稀疏保持投影的旋转机械振动信号时频图像特征提取方法,该方法采用局部线性编码方法获得时频图像的稀疏表示结构,以达到同时提高稀疏表示结构判别性和计算效率的目的;同时将类内及类间离散矩阵整合至稀疏保持投影模型,进一步提高了模型的判别能力。将提出方法应用于大样本的转子故障时频图像特征提取中,结果表明该情况下测试样本获得的低维特征具有良好的可分性,而且提高了计算效率。由于在工作现场无法获得足够多的样本,尤其是带类标的样本更难获得,因此小样本识别成为研究的热点问题,但目前小样本特征提取方法存在计算复杂度高及模型不准确的问题。为此提出基于迹比稀疏正则判别分析的旋转机械振动信号时频图像特征提取方法,首先采用局部线性编码方法获得时频图像的稀疏表示结构;其次将稀疏正则判别分析模型转换为迹比问题;然后通过Dinkelbach’s算法计算投影矩阵;最后通过投影矩将高维样本映射至低维空间。将提出方法应用于小样本的转子故障时频图像特征提取中,结果表明该情况下测试样本获得的低维特征具有良好的可分性。由于不同故障获取的难易程度不同,因此故障诊断中往往出现不均衡样本的情况,而绝大多数的降维方法都是基于均衡样本假设而设计的,不利于特征提取。为此提出基于局部约束低秩编码的旋转机械振动信号时频图像特征提取方法,首先建立包含局部约束正则项的低秩编码字典学习模型;其次通过增广Lagrange乘子法和交替优化方法学习字典;然后利用学习得到的字典获得时频图像的低秩编码;最后采用空间金字塔匹配方式提取时频图像特征。将提出的方法应用于不均衡样本的转子故障时频图像特征提取中,结果表明该情况下测试样本获得的低维特征具有良好的可分性。单一特征诊断方法存在准确率低、稳定性差的问题。为此提出一种结合优化支持向量机(Support vector machine,SVM)和加权证据理论的旋转机械时频图像多特征决策融合故障诊断方法,首先利用多目标粒子群算法优化各单特征诊断中的SVM模型参数,从而获得最优的SVM预测模型;其次将单特征测试样本输入最优SVM预测模型,获得该证据对各故障类别的权重系数及基本概率分配,并采用改进证据理论求得加权概率分配;最后利用多证据合成法则并结合决策规则得到最终的诊断结果。转子故障诊断实验验证了方法的可行性和有效性。