旋转机械系统是轨道交通移动装备的重要组成部分,其健康状态直接影响到轨道交通列车的运营安全。随着“全自动驾驶”和“智慧列车”等技术的不断发展,传统旋转机械温升被动预警技术已无法满足智能化需求。因此,开展旋转机械系统健康状态的跟踪监测、自我诊断和实时预警技术的研究已迫在眉睫。同时,随着轨道交通的运营里程、速度和密度的不断提升,以“周期修和计划修”为主的传统维修策略已无法适应日益繁重的维修任务,基于状态的预测修是轨道交通移动装备修程修制改革与发展的基本方向,而旋转机械健康状态监测技术则是实现关键系统预测修的关键。由于振动响应对旋转机械故障具有高敏感性,加上振动数据实时采集技术已日益成熟,因此基于振动检测的健康监测技术得到了广泛运用。尽管如此,从振动数据中检测出旋转机械故障特征仍是一项困难的任务。因此,加强复杂运行环境下故障振动特征的检测技术的研究,对于制定维修计划、防止设备损坏、保障装备运行安全具有重要意义。本研究的目的是通过改进现有的基于振动信号的旋转机械故障诊断方法以检测旋转机械故障产生的重复瞬态冲击（重复瞬态冲击是旋转机械故障的主要症状）,其中轴承故障产生的重复瞬态冲击被作为重点研究对象。针对这一目标,本文总结了重复瞬态冲击检测的理论框架,并在此基础上提出了三种基于理论框架而构建的盲解卷积技术以实现重复瞬态冲击检测。第一,基于重复瞬态冲击的数学化生成模型对重复瞬态冲击检测的理论框架进行了总结并对理论框架中的三大关键技术（刻画指标、滤波器选择和优化方法）进行了分析。利用重复瞬态冲击检测的理论框架对现有的重复瞬态冲击检测方法（基于滤波的检测方法）的优缺点进行了分析和讨论,并给出了设计一个性能优良的重复瞬态冲击检测方法需要满足的条件。第二,针对传统盲解卷积算法易陷入局部最优解的问题（对应于重复瞬态冲击检测框架三要素中的优化方法）,将盲解卷积算法扩展为多节点结构的盲解卷积算法。多节点结构的盲解卷积算法是一个多节点神经网络,它将盲解卷积过程转换为了无监督特征学习问题。同时,在此基础上进一步提出了一种特殊结构的多节点盲解卷积算法,新算法能以更少的节点数获取更优的结果,从而缓解了传统盲解卷积算法易陷入局部最优解的问题。第三,针对传统时域盲解卷积算法对异常值敏感的问题（对应于重复瞬态冲击检测框架三要素中的“观察”）,提出了非参数化包络谱盲解卷积算法。在数学化证明传统时域刻画指标对异常值敏感以及包络谱刻画指标对异常值鲁棒的基础上,提出了非参数化包络谱盲解卷积算法。新方法将循环平稳工具（包络谱）运用到了盲解卷积算法中,使得提出方法对时域峰值鲁棒且对重复瞬态冲击敏感。提出方法的性能显著优于传统时域盲解卷积方法。第四,针对提出的非参数化包络谱盲解卷积方法无法实现并发故障检测的缺陷,提出了基于包络谱谐波噪声比指标的参数化包络谱盲解卷积方法。新方法在保证对时域峰值鲁棒的同时,引入了并发故障检测的能力,其性能明显优于现有的具有并发故障检测能力的盲解卷积方法。所有方法的性能均在仿真信号、公开数据集以及高速列车轴箱轴承和齿轮箱轴承试验数据上进行了验证。试验结果表明所有提出的方法具有非常好的故障检测性能以及工程运用价值。