随着科学技术的进步,旋转机械不断朝着重载、高速和精密的方向发展。滚动轴承是旋转机械的重要组成部分,其健康状况直接影响着设备、整台机组及整个生产线的性能,甚至影响人身安全。若轴承发生早期故障时,就能够发现并加以干预,则可以减少事故的发生、延长设备使用寿命。因此,研究滚动轴承早期故障诊断与预测方法具有重要的现实意义。本文以滚动轴承为研究对象,分析了振动信号特征提取技术,提出了滚动轴承早期故障诊断与预测新方法。主要工作内容如下:（1）针对滚动轴承早期微弱故障难以检测的问题,提出一种改进的最大相关峭度解卷积（Maximum Correlation Kurtosis Deconvolution,MCKD）算法对轴承早期故障进行诊断。首先,研究最大相关峭度解卷积算法中参数对振动信号降噪效果的影响,并考虑到MCKD三个参数的选取缺乏统一度量指标的问题,设计了一种新的指标-包络谱多脉冲因子（Envelope Spectrum Multi-Pulse Factor,ESMPF）;其次,将包络谱多脉冲因子作为MCKD算法中参数的评价指标,选取解卷积算法的最优参数;然后,利用优化后的MCKD算法对原振动信号进行降噪,并对降噪后的信号进行包络分析;最后,采用工程实际信号进行验证,分析结果表明:提出的方法能够增强轴承早期微弱故障信号并有效地提取出轴承的故障特征频率,进行轴承早期微弱故障诊断。（2）由于MCKD算法的三参数间具有强相关性,且采用试算法选取参数存在效率低、易出错等缺点,提出了采用人工鱼群算法对MCKD参数进行自适应并行优化,并采用优化后的算法对轴承早期故障进行诊断。该方法首先把ESMPF引入人工鱼群算法,将ESMPF作为人工鱼群算法的适应度函数,再运用这种群智能优化算法对MCKD的参数进行自适应并行优化;其次,采用优化后的MCKD算法对原信号进行降噪,并求取降噪后信号的包络谱;最后,采用试验数据进行对比分析,结果表明,该方法能对轴承早期微弱故障进行自适应精准诊断。（3）提出样本熵-变分模态分解（Variational Mode Decomposition,VMD）组合模型,用于滚动轴承早期故障的预测。首先,计算滚动轴承振动信号的样本熵值,构成轴承健康状态时间序列;其次,VMD的分解层数K从2～10分别取整数值,对轴承健康状态时间序列进行VMD处理,可得出采用不同K值分解后的多个本征模态函数（Intrinsic Mode Function,IMF）,分别选取采用不同K值分解后的低频分量作为轴承振动信号的趋势项;然后根据互相关性、峭度、方差、欧氏距离准则,找到最优的轴承振动信号的趋势项;最后,通过工程信号进行验证,并与其他指标进行对比分析,结果表明,提出的滚动轴承早期故障预测模型,不仅可以监测轴承运行状态,提取轴承振动信号的趋势项,而且能够更早地预测出轴承早期微弱故障。