目前,我国工业化发展还处于中后期阶段,故障诊断技术对推进我国工业化进程有着重要意义。据统计,滚动轴承损坏是导致机械设备故障的主要因素之一,而滚动轴承故障特征的有效提取对准确实现轴承故障诊断起着至关重要的作用。但在实际环境中,由于受周围复杂环境的影响,采集的故障信号往往含有强噪声并伴有故障信号微弱、故障特征难以提取等特点,因此对滚动轴承故障特征提取的研究与分析是整个滚动轴承故障诊断中的主要部分之一。针对此问题,本文利用采用算法在分析此类信号上的优势,并考虑算法缺陷对故障特征提取的影响,从以下几个方面进行改进以实现故障特征的有效提取。通过实验仿真,验证本文所提改进算法的可行性与有效性。本文主要研究工作如下:首先,本文采用希尔伯特黄变换(HHT)算法为研究基础,了解HHT算法的组成构架,对各组成部分的机理及作用进行深入研究和阐述,并详细总结和分析该算法的优缺点。针对EMD分解后,信号端点效应对故障特征提取的影响,本文提出基于ELM-镜像闭合延拓的端点效应抑制法。建立极端学习机预测(ELM)模型,使模型通过对信号的不断学习与训练来预测信号两端极值点,以实现延拓原数据序列的目的。而镜像闭合延拓法使新数据序列首尾相连形成一个闭环信号,从“内部”消除数据端点以达到抑制端点效应的作用。为说明提出算法对多种故障信号端点效应的抑制有效性,对不同故障信号进行实验仿真,验证本文提出算法对端点效应的抑制有明显作用。其次,复杂信号因算法机理或EMD过分解会产生不能表征故障信号特征、或在原信号中不存在的虚假成分。这些虚假分量(IMF)会干扰故障特征的有效提取并影响故障诊断结果,因此本文以准确识别EMD虚假分量为研究内容,使用K-L散度法并运用到解决故障特征提取的实际问题中。通过实验仿真,验证提出算法相较经典相关系数法具有更高的判别精度,有利于故障特征的有效提取。最后,本文全面考虑,为实现故障程度的准确识别与诊断,提出基于多特征量的轴承故障诊断法。首先对故障信号采用经验模态分解(EMD)得到一组IMF分量,对各个分量根据峭度和相关系数准则进行计算,通过二者参数间的对应关系得到一组Kr值,并以此为判别依据,筛选出一组与原信号强相关的IMF分量。其次对这组分量重构并对其时域参数、AR模型参数矩阵的奇异值和能量熵进行多特征量的提取与分析,构造多特征量参数矩阵并输入支持向量机建立多分类预测模型。通过实验仿真,验证该方法能准确识别并诊断故障程度,是一种有效的滚动轴承故障诊断法。