滚动轴承是机械设备中的重要旋转和支撑零件。随着科学技术的进步和现代工业的发展,企业对滚动轴承的精度、寿命和可靠度等指标提出了越来越高的要求。滚动轴承的失效不仅会使其精度和可靠性下降,也会间接引起其它零部件的故障或失效,甚至会引起整个设备的严重故障。滚动轴承相较于齿轮等激励源,其振动的能量水平一般来说比较小,其振动故障征兆被其它强激励源或噪声所淹没。因此开展针对滚动轴承的早期状态监测和故障诊断研究具有重要的理论价值和工程意义。本论文旨在开展滚动轴承的早期故障诊断和微弱故障特征增强研究。针对采集的滚动轴承振动信号,将时域同步平均（TSA）和平方包络谱分析（SES）相结合,提出了一种基于时域同步平均与平方包络谱（TSA-SES）的联合算法,用于滚动轴承的故障信号分离和微弱特征增强,论文通过计算机仿真和实验验证了该算法的有效性。论文主要内容如下:（1）阐述了论文的选题背景和研究意义。介绍了论文的课题来源、国内外研究现状以及本论文的技术路线和主要研究内容。（2）介绍了滚动轴承故障诊断的基本原理。简单介绍了滚动轴承的结构组成、常见的失效方式。根据其结构特性和运动特性,说明了内圈、外圈、保持架、滚动体故障特征频率的计算方法。同时介绍了滚动轴承中存在的幅值和频率调制现象。为滚动轴承的故障诊断提供了理论依据。（3）提出了基于时域同步平均和平方包络谱（TSA-SES）的滚动轴承故障诊断算法。建立了滚动轴承的故障模型,通过对仿真故障信号的分析,验证了TSA-SES算法在计算机仿真故障中有效性。利用美国西储大学（Western Reserve University）的滚动轴承故障数据进行了单一故障轴承数据验证。仿真和实际数据验证了TSA-SES算法针对单一轴承故障特征提取的有效性和可行性。（3）基于TSA-SES算法的齿轮箱滚动轴承实验研究。通过对齿轮箱加速度信号的采集和分析,验证了TSA-SES算法在复杂振动信号中提取滚动轴承微弱故障特征的能力。针对齿轮箱中的滚动轴承在考虑不同负载与不同转速作用下的内圈及外圈故障的加速度传感器信号分析。采用TSA-SES算法进行故障特征提取,对比未降噪的直接包络谱算法,验证了TSA-SES算法在齿轮箱振动信号中提取微弱滚动轴承故障特征的能力。实验表明,TSA-SES算法具有微弱故障特征分离和特征增强能力,该算法在复杂设备如齿轮箱中具有较大的应用潜力。