煤炭作为我国的主要能源，其安全生产不容忽视。电牵引采煤机是现代化矿井采煤装备的核心，关系着煤矿安全高效生产，但国产采煤机故障频发，故对其监测和故障诊断关键技术进行研究迫在眉睫。滚动轴承是电牵引采煤机的核心零部件，也是采煤机的重要故障源之一，准确判断轴承工作状态直接关系到整个采煤机的安全。研究滚动轴承的诊断技术，对于避免重大事故的发生具有重要的理论研究价值和实际应用意义。本论文从强背景噪声下微弱故障特征的提取入手，针对现有提取方法的不足，将经验模式分解(Empirical Mode Decomposition，EMD)方法和随机共振理论引入到滚动轴承振动分析及故障诊断中，结合EMD分解和随机共振理论各自的特点，提出了改进的EMD算法和自适应随机共振相结合的机械故障特征提取方法。本文首先结合滚动轴承的基本结构和常见故障，对滚动轴承的振动特性进行研究，得到滚动轴承分别在内圈、外圈以及滚动体存在缺陷时的时频特性。其次，在对EMD基本理论、算法及其特性进行研究的基础上，针对EMD在实际运用中存在的端点效应和模式混合等问题进行研究，提出了有效解决这些问题的方法：把支持向量回归和窗函数有机结合起来，消除了EMD的端点效应；利用EEMD法解决了模态混合问题；以信噪比为判别标准，很好地提取出含有故障信息的本征模函数，实现EMD算法的改进。然后，针对背景噪声下微弱故障特征提取的难题，提出一种基于自适应随机共振微弱信号检测方法。该算法选用双稳系统输出的信噪比作为遗传算法的适应度函数，实现随机共振系统中多个参数的自适应选取，同时对微弱信号进行频率尺度变换处理，使其满足随机共振条件。仿真信号和滚动轴承内圈故障数据的分析表明，该算法在采样点数较少的条件下能从强背景噪声中检测微弱的高频周期成分。最后，针对超强背景噪声下信噪比极低的微弱特征信号的识别问题，单独使用改进的EMD分解方法或自适应随机共振算法效果不佳，提出改进的EMD算法和自适应随机共振相结合的微弱信号特征提取方法。结合改进的EMD分解和随机共振理论各自的特点，首先利用改进的EMD分解对实际采样信号进行预处理和重构，然后寻找到特征信号分量与噪声强度相匹配的分量信号，此分量信号再经过自适应随机共振处理。通过实验研究的方法，模拟采煤机摇臂轴承的工作环境，仿真信号和实验采集的故障信号的处理结果表明，所提方法可实现从超强噪声背景中检测微弱的特征信号。文章最后对工作进行了总结，并对相关的研究技术进行了展望。