滚动轴承作为旋转机械设备的重要部件,其工作状态直接影响旋转设备的运行安全,一旦发生故障,会导致设备停机甚至发生事故,造成人员伤亡,所以选取有效方法及时对其诊断具有重要意义。现阶段轴承故障诊断研究主要以振动信号为基础,基于信号处理的时频分析方法迅速发展,因其可以清楚的表现频率随时间的变化特征受到广泛关注。滚动轴承在噪声环境下的振动信号显示出非线性和不稳定的复杂特性,故障特征提取的误差很大。因此,本文以滚动轴承为研究对象,以时频分析为技术路线,针对特征提取这一关键问题,在总结现有时频分析技术的基础上进行研究,主要内容如下:（1）分析了滚动轴承的一般故障形式及故障机理,论述了目前基于时频联合分析的故障诊断技术,对现有的线性时频分析方法和非线性时频分析方法在滚动轴承故障诊断方面应用的优点及局限性进行了阐述,并在此基础上确立了本论文的结构安排和研究思路。（2）针对噪声背景下滚动轴承早期发生故障不易检测,特征微弱难以提取的问题,提出一种基于辛几何早期特征提取的故障诊断方法。在分析同步提取变换处理强调幅调频信号的局限性的基础上,提出利用辛几何模式分解方法,将振动信号分解为一系列辛几何模式分量,然后使用时域指标选取包含丰富故障信息的分量进行重构,最后使用同步提取算法提取重构信号的早期微弱故障特征进行故障诊断,通过实验验证了本章所提方法的性能,具有较好的噪声鲁棒性,能够有效提取微弱特征,诊断故障。（3）针对滚动轴承高速运转过程中由于摩擦导致表面剥落、裂纹等局部故障产生瞬态特征难以提取的问题,提出了一种多重瞬态特征提取方法。因瞬态特征产生时间短、频带分布较宽,并伴随强烈的背景噪声,所以在瞬态提取算法的基础上引入多重迭代机制,并选用二阶频率变化函数改进信号表示模型,实现瞬态故障特征的多重提取。首先给出了算法理论推导过程,然后构建仿真信号模拟瞬态特征验证所提方法的特征提取性能,最后使用轴承振动信号进行对比实验,证明了所提方法能够提取轴承瞬态故障特征并具有清晰的时频图像,可以有效诊断轴承故障。（4）针对采集的滚动轴承振动信号数据量庞大,多种信号特征相互耦合,一般时频分析方法效率低、特征提取不准确的问题,提出一种同步提取变换和深度残差收缩网络结合的诊断方法。首先为有效提高网络模型识别率,引入同步提取变换提取故障特征,得到更清晰的时频图像;然后构建改进DRSN诊断模型,将所得时频图像灰度化、归一化输入网络模型进行特征提取、故障识别;最后网络输出诊断结果,对比实验的结果说明,所提方法能有效识别单一、复合故障,优于其他方法,具有较高的诊断正确率。