滚动轴承作为一种标准化零件在各种不同类型的机械设备中有广泛的应用,因此针对轴承的故障诊断有重大的实际意义。本文立足于双数复小波变换与宽度学习系统,对滚动轴承故障诊断的特征提取与故障识别两个环节进行进一步的探究,并提出基于双树复小波变换的多维度相对能量表征方法的故障特征提取理论。本文所作如下工作:首先,对双树复小波变换(Dual-Tree Complex Wavelet Transform,简称DT-CWT)理论进行相应探究,将信号分为实部和虚部分别进行滤波操作分解为多个频率成分不同的子带,可以更加有效地将不同频段的信号分解。同时在实际应用中在一定程度上克服频率混叠,并拥有平移不变性和完全分解的特点,使双树复小波方法在信号处理领域具有广阔应用前景。其次,为了解决不同长度、不同采样点数信号之间难以在分类器中直接进行比较分类的问题,提出了一种多维度相对能量表征方法,把信号统一在一个相同的维度下进行比较。将RGB图像在数字图像处理中的定义与经双树复小波分解后的信号相对比,展示了信号的多维度表征方法。从信号的能量角度对分解后各段信号的能量进行计算,并求得每段子频带相对于原始信号的相对能量。相对能量在对信号特征进行提取时,同时对原始信号进行了降噪、压缩等操作。最后,与现有的故障模式识别方法进行比较,宽度学习系统(Broad Learning System,简称BLS)利用一种网络横向扩张的增量算法构建网络模型,可有效解决深度学习权值更新慢,无监督、半监督网络分类成功率低的问题。相对于深度神经网络不仅具有精度高、训练速度快等特点,在实际应用中还具有参数设定简单,易于操作的优势。通过理论分析与实验数据,基于双树复小波的多维度相对能量故障表征方法具有平移不变性、维度统一性、降噪、数据归一化等特点,在故障诊断领域有广阔应用前景;宽度学习系统训练速度快,对不同数据能自适应的调整网络结构扩张权值矩阵,有进一步研究的价值。