随着科学的进步和工业现代化的发展,在生产中的机械设备越来越大型化、自动化,设备部件越来越精密化,机械设备的稳定运行和故障反馈发挥着更加重要的作用。滚动轴承在旋转机械设备中使用广泛且具有典型性和代表性,其运行状态直接影响到整个系统的性能,深入展开滚动轴承状态监测和故障诊断研究(CMFD),能有效提高机械设备生产效率,降低事故发生率,具有重要学术意义和工程应用价值。本文以滚动轴承振动信号为研究对象,所做的工作如下:(1)针对轴承运转中经常发生多故障且多故障源信号数目未知的情形,进行了对欠定情况下轴承复合故障的研究,提出了一种基于频域轴承信号的欠定盲源分离研究方法。利用轴承信号频域具有一定稀疏性,使用频域稀疏分量分析对轴承复合故障进行分离。通过轴承信号的实验,对复合故障进行分离,分离的信号与源信号相似度较高,证明了该方案可以较为准确地对轴承复合故障进行分离。(2)轴承信号在频域存在弱稀疏性,致使混合矩阵估计精度较差,针对此问题,提出了基于频域复数角单源频点检测方法和单元密度检测算法,通过两者的结合,共同提高混合矩阵估计的精度。通过实际轴承信号的仿真实验,得到归一化均方误差较小的混合矩阵估计,证明了该方案可以准确地提高混合矩阵估计精度。(3)针对现阶段常用的智能故障诊断方法仍需要依赖于传统信号处理技术提取故障特征的局限性,本章引入了深度学习的思想,提出基于深度置信网络的CMFD方案,通过对凯斯西储大学轴承数据集进行实验,得到较好的识别结果,同时还研究了不同样本长度和不同迭代次数下深度信念网络诊断方案的结果,对该方案进行更深刻的认识,最后,与其他诊断方法进行比较,该方案的识别准确率也有提高,从而验证了深度信念网络故障诊断方案的优势。