对旋转机械进行探索和研究新的优化故障诊断方法,是极其必要和富有意义的。滑动轴承转子系统是旋转机械系统常用的零部件,其转子轴心轨迹包含了大量的故障信息,而由于转子振动信号为多分量信号,合成的轴心轨迹复杂,不容易获取清晰的故障特征。本文提出了一种新型的故障信号处理方法,对轴心轨迹进行提纯。并与基于图像的不变矩方法以及关联度识别方法相结合,对滑动轴承转子系统进行故障诊断研究。主要的研究工作如下：1 提出了一种新型的故障信号处理方法,将包含多个分量信号的故障信号分解成具有物理意义的各个部分。在信号上进行固定频率的采样,求得样本数据的平均值,由信号的极值点特性得到采样频率的范围,在该范围内求不同采样频率下样本数据平均值的最大值,从而最大值对应的采样频率即为分量信号的频率。再通过改变采样点的初始位置以及采样长度,分解出该分量信号对应的波形形态和时域分布。介绍了该方法的原理和理论依据,以及频率估计方法以及时域分布估计方法,给出了具体分解步骤。2 将本文方法应用到转子轴心轨迹的提纯中,将转子振动信号分解得到若干分量信号,再选取相应的频率进行合成得到提纯的轴心轨迹。并对转子系统常见故障的轴心轨迹进行了提纯分析。3 采用基于图像的不变矩方法对轴心轨迹进行特征提取,将轴心轨迹转换为二维图像,并以图像的不变矩表征轴心轨迹的形状特征,得到特征矩向量。4 采用关联度识别方法对轴心轨迹进行特征识别,分析计算参考模式与待识别模式下的特征矩向量的关联度,达到对故障类别进行识别的目的。通过仿真和实验应用本文方法对滑动轴承转子系统进行故障识别和诊断,说明了方法的有效性。