滚动轴承是大型机械设备的重要组成部分,是将轴与轴座之间的滑动摩擦转化为滚动摩擦,减小部件摩擦损伤的关键部件。一旦发生故障,轻则设备停机造成经济损失,重则引发安全事故造成重大的财产损失与生命威胁。因此滚动轴承的故障诊断研究具有重要的学术与经济价值。鉴于此,本文针对滚动轴承的故障特征提取及诊断问题,主要研究了以下内容:首先,研究了滚动轴承的结构组成、失效原因以及故障类型,分析了不同故障模式下滚动轴承的振动特性,利用滚动轴承的振动特性公式计算出了不同故障类型的特征频率,为后续滚动轴承的故障特征提取及诊断提供了理论支持。其次,针对不同载荷条件下滚动轴承的故障特征提取及诊断问题,提出了基于高阶累积量AR模型的故障特征提取方法,利用轴承信号的高阶累积量对AR模型进行参数估计,提取AR模型系数作为滚动轴承的故障特征,利用Fisher判别分析对提取的故障特征进行识别与分类。实现对不同载荷下滚动轴承的故障特征提取及诊断,能够得到较高的诊断正确率。最后,针对强噪声下滚动轴承的故障特征提取及诊断问题,提出了基于可调Q因子小波变换(TQWT)的故障特征提取方法,提取出振动信号的时频特征并生成对应的时频图像,利用卷积神经网络(CNN)对生成的故障时频图像进行进一步的特征提取与分类。实现对强噪声下滚动轴承的故障特征提取及诊断,能够得到较高的诊断正确率。