滚动轴承作为旋转机械设备的关键部件,其状态直接影响设备的安全运行,而且滚动轴承是发生故障频率最高的部件之一,因此对滚动轴承故障的研究具有重要的意义。在噪声背景下,滚动轴承微弱故障信号具有信噪比低、非平稳非线性等特点,是滚动轴承故障研究中的难点。为实现滚动轴承微弱故障的诊断,本文研究了噪声背景下基于时频分析的滚动轴承微弱故障诊断技术,主要研究内容如下,首先,针对微弱故障信号受噪声影响大,不易被发现的问题,研究了基于奇异值分解（Singular Value Decomposition,SVD）算法的降噪技术,提出一种奇异值改进算法,用于提高故障信号的信噪比,降低噪声干扰。该算法采用奇异值的平均下降速率作为降噪阶次指标,计算奇异值累积量的差值,利用该差值在有效奇异值和噪声奇异值的临界处最大的原则,确定有效奇异值的个数。对比实验证明,该方法可以有效降低噪声对信号的干扰。其次,基于奇异值累积法降噪和快速谱峭度算法提出一种滚动轴承微弱故障诊断方法。快速谱峭度算法作为滤波器最优频带的确定方法,是研究机械故障信号的重要方法。该方法通过寻找最大峭度值所对应的频带,确定故障特征信号的中心频率和带宽。奇异值累积法的降噪性能可以降低噪声对最大峭度值的干扰,提高快速谱峭度的准确性。利用最优频带确定带通滤波器的参数,从机械振动信号中提取出故障频率所在的频带,并进行包络解调分析,得到故障特征频率,实现对滚动轴承微弱故障的诊断。滚动轴承故障实验的分析结果表明了该诊断方法在微弱故障诊断方面的可行性。最后,针对滚动轴承故障信号的非平稳、非线性特点,以及噪声背景下微弱故障信号信噪比低的问题,提出一种基于同步提取变换（Synchroextracting Transform,SET）思想的时频分析方法,即广义同步提取Chirplet变换（General Synchroextracting Chirplet Transform,GSECT）,该算法引入SET对Chirplet变换结果进行后处理,提取与故障信号特征最相关的瞬时频率轨迹,提高了时频可读性和噪声鲁棒性。同时该算法支持对信号分量的重构,以获取故障信号分量的时域特征,对实际信号和数值仿真信号的实验证明了该算法可以处理强调制的非平稳、非线性信号,验证了该方法在滚动轴承微弱故障诊断方面的有效性。