大型旋转机械（如重型齿轮箱、精轧机、锟压机等）往往工作在恶劣环境中。如果设备发生故障，会给企业带来巨大经济损失。由于传输传播路径、传播介质和强大的背景噪声的影响，使得机械故障信号大多为复杂非平稳信号，增加了故障信息提取的难度。自适应分解方法（包括EMD、LMD、ITD、LCD等）可以根据非平稳信号中所含有的频率特性，自适应的将信号分解成若干个分量和一个趋势项（余项）。本文针对非平稳信号故障特征提取问题，研究了自适应分解方法在应用中存在的问题及其在故障诊断中的应用。论文主要的内容包括:　　(1)阐述了四种自适应方法(EMD、LMD、ITD、LCD)的分解原理，及其分解后产生分量需要满足的基本条件。利用分析数学仿真实验，初步验证了自适应分解方法的有效性。　　(2)自适应分解方法在分解信号时会产生端点效应，针对该问题，本文对比研究了五种数据延拓方法:自适应波形匹配法、AR模型延拓法、镜像延拓法、多项式延拓法、反对称周期延拓法。通过仿真实验比较这五种方法对自适应分解过程端点效应的抑制效果，选出最优方法，并将其应用到故障诊断中，取得了良好的效果。　　(3)由于强大噪声、尖端脉冲的存在，自适应分解法在分解信号时会产生严重的模态混叠问题。针对此问题本文提出了总体平均、加入高频信号及互补总体平均的方法。用数学模拟的方法进行仿真检验，并对仿真的效果作比较，选出一种最优方法。将该方法运用到故障诊断中，有效抑制了在分解中产生的模态混叠，提高了分解精度，对分解的结果做进一步的分析，得到有价值的故障信息。　　(4)通过分解白噪声和多分量叠加信号，研究自适应分解的分解特性。通过研究局部特征尺度分解结果的正交性，优化α参数选择。　　(5)机械故障时往往会产生调幅、调频信号，所以对于齿轮、轴承故障信号中的调幅、调频信息的综合分析可以较为准确判断出机械故障。能量算子、Hilbert解调可以提取平稳信号中的调制信息。将自适应分解方法与信号解调方法相结合，可以有效的提取机械故障信息，从而达到故障诊断的目的。　　通过自适应分解方法可以有效的提取故障信息，其在故障诊断领域的应用有良好的应用前景。