轴承是机械设备中的关键零件,其状态的好坏直接决定着机械设备能否正常运行。寻找有效的轴承故障诊断方法,确保机械设备健康运行意义重大。论文针对如何准确诊断滚动轴承故障的问题,提出了基于稀疏表示的滚动轴承故障诊断算法,重点研究了最大相关峭度反卷积(Maximum Correlation Kurtosis Deconvolution,MCKD)算法和K-奇异值分解(K-Singular Value Decomposition,K-SVD)算法在压缩感知方法中的应用、基于稀疏表示的滚动轴承故障诊断方法及其在实验中的应用。首先,本文详细介绍了滚动轴承发生故障的原因和不同故障类型的理论特征频率,总结了振动信号分析处理时常用的时域分析、频域分析和时频分析方法。其次,研究了基于MCKD的振动信号压缩感知方法。该方法以压缩感知算法为基础,先用MCKD算法对信号进行预处理,以提高信号的稀疏度。通过仿真和实验证明了此方法能有效的提高信号的稀疏度。再次,研究了基于K-SVD字典学习的振动信号压缩感知方法。将基于KSVD训练生成的两种字典和离散余弦变换固定字典用于信号的重构,并对其结果进行对比分析。仿真和实验结果表明,由原始信号生成的初始字典经过K-SVD训练后能有效提高重构信号与原始信号的相似度。最后,将稀疏表示算法应用于滚动轴承的故障诊断中。特征指标对于不同故障特征的敏感程度不同,对不敏感的故障特征其量化值为零或接近于零。量化的过程类似于稀疏表示的过程,由此可将特征指标与稀疏表示结合起来,并用计算得到的特征指标生成不同故障状态的字典。将生成的不同故障状态字典用于重构信号,状态字典与重构信号的状态相匹配时重构误差极小,反之极大。根据重构误差的大小来判断滚动轴承的故障类型,并通过实验验证了该方法能有效的判断滚动轴承状态。本文将稀疏表示方法应用于滚动轴承故障中,为滚动轴承的故障诊断提供了一种新思路。