随着我国工业化水平的不断提高,工业设备的自动化、智能化水平日益提升,与此同时也带来了一些问题,如设备自动运转过程中出现故障,会影响设备的运行,甚至导致设备的损毁。滚动轴承作为机械设备中使用广泛的一种关键性基础部件,其在运行中较易发生故障。因此,对滚动轴承进行状态监测与故障诊断具有重要的意义。振动信号检测作为一种故障诊断方法,由于比较容易实施,在滚动轴承的故障检测中使用较为广泛。本文基于滚动轴承振动信号进行诊断方法研究,首先使用盲卷积方法对振动信号进行滤波,然后使用熵方法提取信号特征,并通过特征融合方法建立信号的特征向量,最后构建支持向量机（Support Vector Machine,SVM）故障分类模型完成对轴承的故障状态识别。论文的主要工作及取得的成果如下:（1）针对轴承振动信号中含有大量背景噪声、故障特征难以提取的问题,提出了优化最大二阶循环平稳盲卷积（Maximum Second-order Cyclostationarity Blind Deconvolution,CYCBD）的滤波方法。首先提出加权谐波和优化指标,根据所提指标自适应确定出CYCBD的最优循环频率。然后使用峭度谱指标作为滤波器长度参数的选择标准,确定峭度谱最大的滤波器长度为最优参数。最后使用参数优化后的CYCBD对信号进行滤波。实验结果表明所提指标能够较好的估计算法的参数,并且优化后的CYCBD与其它多种盲卷积方法相比具有更好的特征信号提取能力。（2）针对波动散布熵提取故障信号特征存在部分信息丢失的问题,提出基于改进层次波动散布熵的特征提取方法。通过引入序列因子保留信号序列的原始信息,并使用序列因子改进波动散布熵相空间重构过程。此外在信号序列分析中使用层次分析法,以有效提取信号序列的高低频信息。改进的层次波动散布熵在实验数据集上取得了较好的特征提取结果,与其它熵方法相比,改进层次波动散布熵提取的特征集经t分布邻域嵌入算法（t-Distributed Stochastic Neighbor Embedding,t-SNE）处理后,其故障分类效果更好,而且在SVM上具有更高的分类准确率。（3）针对单一通道信号、单一特征提取方法无法实现对故障特征的完整描述的问题,提出基于KL散度的特征融合方法,并结合SVM分类器建立了轴承故障诊断模型。通过改进层次波动散布熵、层次幅度谱熵提取双通道振动信号的故障特征,为建立完备特征集,使用提出的特征融合方法对特征集进行融合,然后使用SVM分类器建立滚动轴承的故障诊断模型。在两个轴承数据集上的试验结果表明,基于融合特征的轴承故障诊断模型具有较好的分类效果。