本论文是在国家自然科学基金（No.51675258）资助下,针对三线性平行因子在机械故障盲源分离中存在的不足,将四线性分解引入到机械多故障盲源分离中,提出了基于四线性平行因子的机械故障源盲分离方法,取得了一些创新性成果:1.随着PARAFAC理论的进一步成熟和发展,将三线性向更高维扩展以便于处理更高维度的数据是目前平行因子研究的热点。四线性PARAFAC是高维平行因子研究的代表。但是目前对四线性缺乏一个全面的研究并且对四线性模型具有三线性模型所不具有的优势并没有进行深入的探讨,这对于平行因子四线性模型的进一步发展有诸多限制。因此,本文研究了四线性PARAFAC的原理并将四线性与三线性进行了对比研究,主要包括理论原理、迭代函数收敛性、品质因子、迭代时间。经研究发现,四线性PARAFAC算法不仅保留了三线性PARAFAC分解唯一性的特点,并且具有三线性所不具有的优势。四线性PARAFAC相比于三线性PARAFAC迭代更平稳、估计误差更小并且收敛有更高的精确度。2.传统的三线性PARAFAC由于维度的限制只能对振动信号的部分信息建模,使用传统的三线性PARAFAC进行机械振源数估计时,只能对采集信号的传感器数目,振动信号的分段数以及每个数据段包含的数据点数信息进行建模,振动信号中的时间序列信息被完全忽略,振动信号包含的信息不完整。基于此不足,本文将三维平行因子机械振源数估计方法扩展至四维,结合四线性PARAFAC的优势,将四线性PARAFAC和BSS方法结合,提出一种基于四线性平行因子的机械振源数估计方法并将其应用于的机械故障源估计中,并将提出的方法与三线性平行因子机械振源数估计方法进行了对比研究。研究表明,本文所提出的方法既继承了三线性PARAFAC的独特优势,同时又包含了更完整的振动信号的信息。并且同组分数条件下四线性PARAFAC比三线性PARAFAC得到的核一致值更高,估计更加准确。此外,本文将盲分离与四线性平行因子在宽松条件下分解唯一性的这一优良特性结合,提出一种基于四线性平行因子的机械故障盲源分离方法（4-PARAFAC-BSS）,其利用承载矩阵的估计值和观测信号的估计获得源信号的估计。并且该方法用四线性交替最小二乘法迭代（QALS）,相比于传统的三线性交替最小二乘法迭代（TALS）,该方法迭代更加平稳,收敛性更好。3.四线性平行因子盲源分离算法相对于三线性平行因子盲源分离算法有诸多的优势,然而四线性平行因子盲源分离算法对预估组分数相当敏感。实际中,要是选择的组分数不等于潜在因子数,该四线性分离方法就无法得到好的分离结果。针对四线性模型的这种缺陷,提出了一种交替惩罚四线性分解的盲源分离算法（APQLD-BSS）。所提的交替惩罚四线性分解盲源分离算法迭代拟合时采用交替惩罚最小二乘法迭代得到模型,能够有效避免不正确的预估组分数对迭代结果的影响,可以得到满意估计结果和分离效果。该算法和四线性平行因子盲分离算法相比,提出的算法具有明显的优势,估计更加准确。4.将四线性PARAFAC和集合经验模态分解（EEMD）结合,提出基于EEMD的四线性平行因子欠定盲源分离方法。所提出的算法主旨思路是首先利用EEMD方法分解观测信号,得到各子信号分量,然后选择有效的相关子分量信号并将相关子分量信号与原观测信号进行重新组合,得到新的观测信号,将欠定转换成超定或正定。最后将得到的新的观测信号用QALS算法拟合得到载荷矩阵估计得到估计源信号。