随着工业物联网、大数据、人工智能技术的高速发展,对机械设备的故障诊断也进入到了智能化时代。滚动轴承作为机械设备的关键零部件,对其开展状态监测与故障诊断能够保障设备安全稳定的运行。传统轴承故障诊断是以振动信号为基础,但噪声信号中也蕴含着丰富的运行状态信息,并且声振信号具有特征互补性,在信号采集方式上各具优势。所以,可以通过融合声振信号分析来了解轴承健康状态。近年来,信号处理技术、智能进化算法和机器学习理论的迅猛发展,为基于振动和噪声信号的滚动轴承故障诊断方法研究提供了理论基础。因此,本学位论文以差分进化算法、信号自适应分解技术、盲信号处理、机器学习为基础,针对复杂工况下的滚动轴承声振信号特征提取与智能故障诊断问题进行了深入研究。论文主要研究内容如下:1、针对标准差分进化算法存在多样性不足,容易陷入局部最优,收敛速度慢以及控制参数难以确定等问题。本文从控制参数自适应设置、种群结构优化、与其他智能优化算法的混合使用等方面,提出了5种改进算法:多种群差分进化算法（Multiple Population Differential Evolution,MPDE）、基于模拟退火的差分进化算法（Simulated Annealing Differential Evolution,SADE）、基于网格搜索的差分进化算法（Grid Search Differential Evolution,GSDE）、基于控制参数自适应的多种群差分进化算法（Multiple Population Differential Evolution based on Parameter Adaptation,PA-MPDE）和基于控制参数自适应的模拟退火差分进化算法（Simulated Annealing Differential Evolution based on Parameter Adaptation,PA-SADE）。通过标准测试函数对上述改进算法进行实验分析,结果表明PA-SADE算法最为有效,可以将其用于求解滚动轴承声振信号故障诊断过程中存在的各种优化问题。2、针对滚动轴承早期和复合故障中振动信号处理与特征提取问题,提出了基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）的改进算法,来对早期故障引起的冲击成分进行处理。同时,采用基于变分模态分解（Variational Mode Decomposition,VMD）的改进算法对复合故障信号中耦合成分进行处理。首先,通过PA-SADE算法对EEMD和VMD的改进,可以实现这两种分解算法关键参数的自适应设置。再将改进后的PA-SADE-EEMD与相似性测度判据结合对早期故障信号进行预处理;将PA-SADE-VMD与平均峭度准则结合对复合故障信号进行预处理。在特征提取方面,分别采用自适应共振解调方法和同步压缩小波变换来提取预处理信号的频域与时频域特征。最后,通过滚动轴承早期和复合故障的仿真与实测信号实验分析,结果表明该方法可以有效提取出表征故障特征的包络谱和时频谱。3、针对滚动轴承噪声信号处理与特征提取问题,采用盲信号处理技术来进行时域特征分离。首先,通过PA-SADE算法搜索盲解卷积中的最佳时延参数,以解决不同时延造成分离结果不确定的问题。其次,将PA-SADE算法用于模糊C均值聚类的优化,以实现聚类数目的自适应确定。最后,在上述研究基础上,提出了时域盲解卷积的改进算法。通过滚动轴承单一和复合故障的仿真与实测信号进行实验分析,结果表明该算法能有效对噪声信号的故障特征进行盲提取与分离。4、为了实现滚动轴承故障智能诊断,将机器学习中的深度学习、无监督学习和迁移学习模型应用于识别不同情况下的故障模式。首先,针对复合故障,提出了将优化的PA-SADE-CNN卷积神经网络与HHT改进算法相结合的诊断方法。其次,针对小数据样本且故障类间数据不均衡的故障,提出了将深度卷积生成对抗网络与VGG19网络结合的故障诊断方法;最后,为了实现振动与噪声信号故障特征信息的共享,将振动与噪声诊断方法统一于同一框架下,提出了基于深度迁移学习的声振融合诊断方法。通过实测的滚动轴承单一和复合故障振动、噪声信号实验分析,结果表明上述基于机器学习的诊断方法能针对各自不同问题有效识别轴承故障。