故障诊断和信号检测技术一直以来就是个重要的研究课题,尤其是随着科学技术的发展,复杂巨系统的出现,更是对故障诊断方法提出了更高的要求。在肌电假肢及可穿戴设备的流行的当下,对信号检测技术的精确性提出了更高的要求。本论文基于一维采样信号的时频域分析方法,分别在肌电信号的检测及旋转机械的故障诊断方面做了研究,并提出和介绍了不同的方法:(1)针对肌电信号的检测,在双阈值检测算法的基础上提出了多阈值检测算法,通过宽度阈值的设置,将双阈值检测方法未能识别的有用信号进行了识别,对产生误报的脉冲干扰进行了过滤,并在其中引入了拮抗作用的思想,起到了提高了检测精度的作用。(2)针对旋转机械的故障,提出了一种基于时域振动信号在多维空间中的故障分类方法:首先基于旋转信号采样具有周期性的特性,将每一个传感器在一个旋转周期内采集到的数据表示为一个多维向量的形式,将不同周期内采集的数据组成一个矩阵,在此基础上求协方差矩阵的特征值。再将对不同传感器求得的特征值进行组合,得到原始数据扩维后的特征值向量。为了能将不同类型故障进行区分,将扩维后的特征值向量看作多维空间中的一个点,不同的点代表不同的数据组,同类故障的数据在多维空间中表示的点在距离上比较近,利用该性质对不同类型的故障数据进行区分。最后利用实验室采集的数据对该方法进行试验。(3)快速傅里叶变换和神经网络相结合的故障诊断方法。首先把采样得到得一维时域信号通过快速傅里叶变换算法进行处理,得到频域信号,再将频域信号改写为矩阵形式,并求取该矩阵的协方差矩阵的特征值作为原始信号的特征。将求取的信号的特征值作为神经网络的输入对信号进行检测分类,与时域提取特征信息后进行神经网络分类的方法进行了比较,并进行分析。