轴承常存在于各种大型工业机械设备中，由于机械运转时恶劣的工业环境影响，轴承作为关键零部件经常会发生故障而导致整个大型机械设备产生故障。因此，含有强背景噪声的轴承微小故障问题需要进行详细的研究。在轴承运行的过程中，发生故障（腐蚀，磨损，断裂等）的轴承振动加速度信号往往伴随着强背景噪声，极易对轴承的振动信号特征分析产生影响。本文以轴承及其加速度信号作为研究对象，针对轴承加速度信号的噪声滤波，特征识别分析及故障诊断等问题开展了研究，论文主要从以下几个方面进行了研究：
　　1、针对故障轴承振动信号特征容易被噪声影响，且处于实际工业环境下的强背景噪声难以被确定类别的问题，构建了一种基于形态学算子的自适应滤波除噪方法（AF）。考虑到自适应形态滤波除噪算法中滤波算子的种类和参数的选择问题，采用峭度指标对形态学滤波算子的参数选择问题进行优化。
　　2、针对去噪信号的分解问题构建了基于瞬时频率优化变分模态分解（VMD）的优化算法，在传统VMD算法中引入瞬时频率指标，利用瞬时频率的变化走势对VMD中的K值进行寻优。然后从轴承加速度信号的信号分量中提取时域特征构建轴承多维特征集。
　　3、为解决微小故障的信号时域特征集存在冗余现象，采用特征成分分析算法对不同工况下的特征集分布情况进行优化，通过联合分布适应（JDA）对特征的边缘分布和条件分布进行优化。同时，在特征分布优化算法中构建相应的多核核函数，优化特征的映射效果。实验结果表明利用特征优化算法能够有效提高轴承故障信号的诊断精度。
　　4、通过对强背景噪声下的滚动轴承微小故障进行分析，构建了一种基于小波变异粒子群优化最小二乘支持向量机（LSSVM）的故障诊断参数优化方法。实验结果表明，滚动轴承微小故障诊断模型可以较好地完成轴承振动信号的故障识别。
　　通过对滚动轴承振动信号进行研究，对滚动轴承的加速度信号进行预处理，去除加速度信号的冲击噪声并对除噪信号进行分解，接着提取出时域特征并构建多维特征集并行特征结构优化，最后对处理后的轴承特征集进行诊断。利用转速1200和转速600两种不同工况下的轴承加速度信号进行实验，验证了本文所提方法的有效性。