滚动轴承被广泛应用于旋转机械中,是较易损坏的零件之一,一旦出现故障,将严重影响整台设备的工作性能,因此对轴承进行故障研究具有重要的现实经济价值。滚动轴承工作环境复杂,其早期微弱故障信号易被强噪声所湮没,造成故障特征提取困难。目前常用的轴承故障诊断方法主要集中于降噪和故障特征提取,且取得了显著成果。因此,本文分别采用EEMD和形态学滤波两种降噪方式对信号进行处理。EEMD方法处理信号的关键技术在于筛选有用IMF分量进行信号重构,本文以相关峭度作为筛选准则,选取相关峭度值最大及次大的IMF分量重构。形态学滤波器可有效滤除信号中的噪声,但其效果很大程度上依赖于结构元素的长度。传统形态学滤波器结构元素长度的选取存在随意性和经验性,有时很难取得满意效果。本文在平均滤波器的基础上,借助遗传算法优良的全局搜索能力,以滤波后信号的相关峭度值最大为寻优的终止条件,确定出结构元素最佳长度,建立了自适应形态学平均滤波器。通过滚动轴承仿真信号和实验信号的研究分析,验证了此两种降噪方法的有效性和可行性。对于受噪声严重干扰的信号,有时只进行单一的信号处理方法,诊断效果往往不够理想。因此,本文将EEMD和自适应形态学滤波相结合,充分发挥各自特点,以达到提高滚动轴承故障诊断精准性的目的。由于形态学差值滤波器具有良好的特征提取能力,因此建立了基于遗传算法的自适应形态学差值滤波器。同时引入自相关函数峰态系数,作为定量反映信号中噪声含量的评价准则,将其与峭度结合,共同来说明该方法既能突出故障信息又能有效抑制噪声。实测滚动轴承故障数据表明,该方法具备精准故障诊断的能力。