在智能制造、工业4.0、中国制造2025、工业大数据融合创新驱动下,现代工业正经历由传统制造向智能制造转变的新革命。旋转机械装备作为这场革命中十分重要的角色,正在不断革新,以不断促进生产,提高经济效益。然而,旋转机械在长期的运行过程中,关键部件难免会出现故障,一旦故障出现,就会造成经济损失,甚至是灾难性的事故。因此,基于稀疏表示学习理论开发相应的故障诊断方法,对旋转机械早期故障进行准确判断和及时响应是至关重要的。论文的主要工作如下:首先,针对传统的正则化低估信号幅值的缺点,提出加权双正则稀疏表示方法。利用罚函数和范数正则化构建稀疏表示模型,将特征的权重引入到稀疏学习模型,通过平滑加权后的短时傅里叶系数,实现去除无关分量和特征提取的目的。通过故障特征提取实验验证了提出方法的有效性。其次,研究了原有的稀疏低秩模型对故障特征成分低估和估计不准确的问题,提出了增强稀疏低秩表示方法。利用广义极小极大凹罚函数克服原有正则化低估的缺陷,截断的核范数正则化被用来保护弱故障冲击成分的自相似性和周期性的特征,通过轴承故障特征提取实验验证提出方法的有效性。第三,针对稀疏表示模型噪声先验假设与实际情况不匹配的问题,利用散度来衡量真实噪声分布和拟合噪声分布间的差值,通过最小化差值解决高斯噪声先验假设与信号中离群点、异常值不匹配的问题。通过行星齿轮故障特征提取实验验证了提出方法的优越性。第四,针对传统的时频分析方法分辨率低,能量不集中的问题,提出了稀疏时频分析框架,以集中模糊能量、抑制噪声、分离状态相关的成分,同时保留信号的重构特性。该框架利用加权弹性网稀疏正则化进行稀疏诱导和能量集中,利用重构误差项进行状态相关分量分离和信号重构。理论分析与实验验证了提出的方法在提高时频分辨率的同时具有较好的分解重构性能。第五,将稀疏表示与卷积神经网络结合,建立深度稀疏学习模型。设计一种基于小波函数的卷积核,代替原有的随机初始化的卷积核,提高卷积神经网络的可解释性。引入稀疏正则化,简化模型,避免过拟合现象的产生。同时,利用通道加权残差模块自适应地学习每个特征通道的重要程度,增强特征提取的指向性。提出的网络在增材制造过程缺陷检测上表现出优越的性能,具有较高的识别精度。最后,对本文的主要内容进行了总结,并对后续的工作进行了展望。