滚动轴承被誉为旋转机械的“关节”部件之一,在现代工业设备中应用广泛。然而轴承在工作中常处于重载、高速等恶劣工况,一旦发生故障可能会导致设备损坏,甚至威胁工人的生命安全。因此,研究滚动轴承的状态监测和故障诊断技术对于保障旋转机械安全平稳运行具有深远的意义。本文以滚动轴承为研究对象,以振动信号为分析媒介,在奇异谱分解（SSD）算法和散布熵（DE）理论的基础上,对现有的滚动轴承故障诊断方法展开了深入研究并做出优化。主要内容如下:（1）介绍了SSD的基本原理,并结合仿真信号分析总结了SSD算法在处理滚动轴承故障信号时存在的两个局限性,分别为带宽估计模型适用性问题以及嵌入维数按经验公式选取的问题。此外,结合仿真信号研究了嵌入维数对分解结果的影响规律,为后续的改进奠定理论基础。（2）针对SSD处理滚动轴承故障信号时存在的局限性,提出了一种改进SSD算法。该方法相比传统SSD使用顺序统计滤波器计算振动信号功率谱的上包络,之后再通过高斯叠加谱模型拟合上包络线以提高主峰带宽估计精度;并基于提出的模态混叠指标和过分解指标选取每次迭代的最优嵌入维数以改善分解结果、抑制模态混叠。通过仿真和实验分析对提出方法与对比方法进行了定量评估,结果表明提出的方法具有更强的故障特征提取能力,且相比传统SSD可以有效减少虚假模态数量,计算效率更稳定。（3）针对DE不考虑同类别相邻点幅值关系的问题,提出了一种精细散布熵（RDE）算法,该算法进一步统计属于同一散布模式的嵌入矢量分布情况,并根据分布情况重新定义了散布模式概率的计算方式,且其概率与嵌入矢量的分布集中程度成正比,仿真实验表明提出的方法具有更强的检测序列微小复杂度变化的能力。此外,为了增强多尺度DE的特征提取能力,定义了一种基于均方根和谱负熵加权的复合多尺度精细散布熵（SNE-w CMRDE）,该方法通过引入权重以增强或抵消散布熵在某些尺度下的估计值,仿真实验表明该方法相比传统多尺度熵对信号复杂度的估计结果更符合人们的预期。（4）为了增强多尺度DE的抗噪能力,提出了一种基于改进SSD和SNE-w CMRDE的滚动轴承故障诊断方法,该方法首先使用改进SSD对振动信号进行分解并重构以提高信噪比,随后提取信号的SNE-w CMRDE特征以构成特征向量。两个滚动轴承实验数据集应用结果表明,提出方法相比传统多尺度DE具有更强的区分故障程度和故障类型的能力,且鲁棒性更强。