滚动轴承广泛应用于航空航天、交通运输以及风力发电等行业。由于滚动轴承在这些行业中长期处于运行状态甚至高速重载的恶劣运行环境,使得滚动轴承极易出现故障。如果系统在可控制的区域运行时能够发现并诊断轴承的早期故障,可以避免异常失效事件发生,减少经济损失。因此,对滚动轴承开展诊断研究具有重大的意义。然而,在实际情况中,轴承所处的工作环境存在大量的干扰源,比如齿轮、轴等其他旋转部件。为了解决这一问题,对实际振动信号进行滤波并提取关键信息成为解决轴承故障诊断问题的一个有效途径。本文以滚动轴承为研究对象,以对其早期故障诊断为研究目标,以滤波器构造和滤波器参数优化两个方面作为研究主线,改进并提出了三种基于振动信号滤波的故障诊断方法。本文主要的研究工作以及创新点如下:(1)局部均值分解作为一种新型的自适应滤波器,其信号分解精度受到筛分停止准则预置参数的影响。为此,本文提出一种避免人为设置筛分停止准则阈值参数的自适应筛分停止准则,并且同时考虑局部均值分解中存在的三大问题,即边界条件、包络估计和筛分停止准则,对局部均值分解进行系统性改进,从而进一步提升了其对振动信号的分解效果。(2)峭度图是一种经典的滤波频带选择方法,其中振动信号的时频表征是影响谱峭度正确识别故障频带的关键因素之一。为此,本文将利用局部均值分解提升了峭度图中的时频表征精度,使得峭度图能够获得各个频带上更加准确的峭度估计,进而获得更准确的中心频率和带宽参数。(3)在滤波器参数选择中,基准数据对于故障频带的选取影响很大。为此,本文提出了一种全新的准确度指标,融合了多维的故障特征(冲击性、循环冲击性)及其基准信息,解决故障频带选择中基准缺失和指标单一的问题,能够获得更加准确的滤波器参数。最后,本文采用轴承基准数据集和实验数据集验证了本文提出的三种方法的有效性,同时对这三种方法的优缺点进行了分析讨论。