机械故障诊断是以机械学为基础的一门综合技术。机械故障诊断的关键是如何从机械故障振动信号中提取故障特征,信号分析和处理是特征提取最常用的方法。机械故障振动信号本质上是非高斯、非平稳信号,近年来,为满足对机器故障进行早期检测、诊断的需要,非高斯、非平稳信号处理方法在机械故障诊断领域受到了广泛的关注。如何确实有效地结合振动信号自身特点,创新性的应用非高斯、非平稳信号处理理论解决机械故障诊断中的信号降噪、故障特征提取等问题是当前机械故障诊断领域迫切需要研究的重点课题之一。本论文正是基于以上要求而开展研究工作的,重点研究适合于机械故障特征提取的非高斯、非平稳信号处理方法,主要完成了以下几方面的研究工作:1)研究了基于STFT的振动信号解调及频谱细化分析方法及其应用。首次对基于STFT的振动信号解调方法的原理和影响其解调性能的各种因素进行了严格的理论分析,指出该解调方法实质是基于复解析带通滤波的Hilbert变换解调法。首次从数学上严格证明了在利用Hilbert变换进行包络解调分析时,只要带通滤波器通带范围包括调制信号的部分频率成分,就可解调出被调制信号的周期成分。基于以上理论分析,给出了实用的基于STFT的自适应振动信号解调新算法。针对复杂噪声环境下微弱周期性故障信号特征的检测问题,提出了奇异值分解降噪和STFT解调相结合的检测新方法。此外,将STFT引入到信号频谱细化分析,提出了基于STFT的无需频率成份调整的信号频谱细化分析新方法。2)研究了基于滤波器组理论的振动信号处理方法。通过分析小波与滤波器组的关系,指出机械故障诊断领域所应用的小波(包)分解实质是利用共轭镜像对称滤波器组(CQMF)对信号进行分解。针对目前小波(包)分解方法用于振动信号分析时存在的不足,首次提出了基于正交镜像对称滤波器组(QMF)的振动信号分解方法,并构造了一种具有线性相位的两通道QMF滤波器组。与同阶的小波滤波器相比,该QMF滤波器不仅滤波性能更优,而且其滤波系数的求取更加便捷。为了解决常规两通道滤波器组分解算法中存在的子带信号组频带错位问题,引入了无频带错位的QMF滤波器组分解算法,基于此分解算法,提出了用于早期故障自动检测的振动信号解调新方法和自适应频谱细化方法。鉴于信号两通道塔形分解在实际振动信号分析中存在的不足,首次提出了信号三通道塔形分解方案作为其补充,并给出了相应的分解算法。此外,推广了现有的平稳小波包分解算法,首次提出了基于QMF滤波器组的平稳滤波器组分解算法,仿真和实测振动信号分析结果表明,该算法与平稳小波包分解算法相比具有更优的滤波性能。3)研究了基于连续小波滤波器的微弱冲击信号特征提取方法。理论分析和仿真分析结果表明,信息工程领域中常用系列连续小波基及其常规的时间—尺度分析方法不适合微弱冲击信号的特征提取。基于适合微弱冲击信号特征提取的连续小波滤波器的统一形式,构造了一种易实现小波频谱中心频率和频窗宽度调整的频域紧支小波滤波器。仿真信号分析结果表明,当该小波滤波器参数选择合理时,可以有效地增强微弱冲击信号的冲击特征。关于如何快速地设计出适合微弱冲击信号特征提取的最优频域紧支小波滤波器问题,提出了以峭度系数为优化目标利用遗传算法进行寻优的自适应设计方法。研究了自适应小波预处理方法在弱冲击调制类二阶循环平稳信号解调中的应用,首次提出了基于最优频域紧支小波滤波器预处理的谱相关密度解调分析新方法。仿真和实测振动信号的分析结果均表明,该方法不仅可以有效地解调出微弱周期性故障冲击信号的故障特征频率,而且大大削减了原始常规方法的计算量,提高了二阶循环平稳信号解调方法的实用性。4)研究了振动信号的EMD处理方法。提出了基于波形相似度比较的端点极值延拓新方法用于解决EMD分解过程中存在的端点效应问题。仿真信号和实测转子失衡故障振动信号分析结果表明,对于规则信号的EMD分解,利用该方法进行端点延拓,可以有效地避免端点处包络误差对分解结果产生的不利影响,得到准确的IMF分量。针对EMD分解过程中可能存在的模态混叠现象,分析了产生模态混叠现象的原因,指出原始信号中存在的一定能量大小的各种非规则的平稳和非平稳噪声是产生模态混叠的根源,并基于此结论和对EMD分解方法本质的认识,提出了基于自适应滤波的模态混叠消除新方法。仿真信号和实测齿轮故障振动信号分析结果均表明,该方法可以比较有效地消除模态混叠现象。5)研究了振动信号的盲处理方法及其应用。通过对多通道MBD频域实现方法的剖析,提出了一种适合振动信号特征提取要求的多通道振动信号盲处理新方法—平稳滤波器组分解滤波和ICA算法相结合的振动信号盲处理方法,并将该方法应用于强噪声环境下机车柴油机增压器转频振动信号特征的提取工作,取得了令人十分满意的效果。针对目前常用单通道振动信号盲解卷算法—最小熵解卷(MED)算法在应用中存在的不足,提出了一种新的单通道振动信号盲解卷算法—基于ICA的盲解卷方法。仿真信号和实测振动信号分析的结果均表明,该方法与最小熵解卷(MED)算法相比不仅收敛速度快、鲁棒性强,而且在提取强噪声环境下微弱冲击信号特征方面,特征提取效果更明显。