随着科学技术的高速发展和现代化工业生产的普及,旋转机械正朝着复杂化、大型化、高速化和自动化的方向发展,这对设备的安全运行提出了更高的要求。滚动轴承是旋转机械中最为常用的部件之一,与机械系统的平稳可靠运行有直接关系。对滚动轴承故障诊断方法进行研究,能够有效避免生产事故的发生,同时具有重要的经济意义、学术意义和工程价值。本文在对信号分析方法、特征提取和智能故障诊断研究现状进行论述的基础上,由振动信号的分析与处理方法入手,研究了滚动轴承故障振动信号分解方法、故障特征提取和不同故障类型分类等问题,在改进的经验小波变换以及滚动轴承故障特征提取与故障诊断方面取得了一定的研究成果。本文的主要工作如下。（1）针对经验小波变换（Empirical wavelet transform,EWT）频谱划分结果不合理的问题,提出了一种改进的快速经验小波变换（Modified fast empirical wavelet transform,MFEWT）方法。方法首先通过快速傅里叶变换和小波折中阈值函数去噪方法计算和优化频谱趋势项,并根据趋势项建立滤波带、进行EWT信号分解;然后融合峭度和相关系数选取原则重构有效特征分量,并对有效特征分量重构信号进行最小熵解卷积,计算特征频率;最后通过理论特征频率的匹配,实现滚动轴承故障诊断。实验结果表明,MFEWT具有良好的故障特征提取效果,其方法提高了EWT信号分解的性能和滚动轴承故障诊断的可靠性。（2）针对MFEWT中的趋势项计算的问题以及由此导致的频谱划分结果中的过分解问题,提出了l₁趋势滤波经验小波变换（l₁TF-EWT）方法。该方法先使用l₁趋势滤波估算频谱的趋势项,然后根据趋势项划分频谱,建立滤波带并进行EWT信号分解。与MFEWT的对比实验表明,由l₁趋势滤波计算的趋势项更好地反映了信号频谱的变化情况,特征提取的结果更为理想;l₁TF-EWT进一步提高了EWT信号分解的性能与滚动轴承故障诊断的可靠性。（3）为实现滚动轴承的智能化故障诊断,提出了一种基于l₁TF-EWT与样本熵、支持向量机（Support vector machine,SVM）融合的滚动轴承故障诊断方法。该方法首先使用l₁TF-EWT分解滚动轴承振动信号并重构特征分量,然后计算特征分量的样本熵,并将样本熵作为特征量输入SVM进行训练;最后对训练后的分类器进行测试,实现滚动轴承故障诊断。实验结果表明,将l₁TF-EWT与样本熵指标及SVM融合的故障诊断方法具有良好的故障诊断效果。理论分析与实验表明,本文基于改进EWT的滚动轴承故障诊断方法实现了故障频域特征提取和故障运行状态分类,在滚动轴承故障诊断上取得了良好效果,具有一定的实际应用价值。