滚动轴承故障诊断中,由于振动信号的非线性、非平稳特点,以及工作环境中的强烈背景噪声、信号传递衰减等因素影响,存在着故障特征提取困难、单一域特征分析能力不足等问题。融合多域特征提取可以提供更多的互补故障信息,提高故障诊断精度,但同时存在许多亟待解决的问题,包括,如何根据轴承故障特性挖掘潜在的稀疏特征,达到与传统分析域信息互补的目的;如何挖掘特征的内在判别性信息;如何实现不同域特征的有效融合等。针对这些问题以及对滚动轴承故障信号稀疏本质的考察与认知,本文提出了基于稀疏特征挖掘的多域特征融合滚动轴承故障诊断方法,在特征提取、分类器构建、分类器融合三方面展开深入研究并提出改进,旨在充分利用具有互补故障信息的各域特征在稀疏表示过程中隐含的判别性信息,提高诊断系统对滚动轴承故障诊断的准确性、可靠性及鲁棒性。本文主要研究内容如下:（1）针对滚动轴承故障发生时的脉冲调制现象以及故障冲击脉冲的稀疏特性,提出一种基于S变换频带切片的循环脉冲稀疏特征提取方法。该方法以S变换为基础,根据故障冲击能量最大准则确定故障特征频率并进行时频切片处理,利用循环窗函数提取无量纲脉冲度,达到提取循环脉冲稀疏故障特征的目的,从而实现故障类型诊断。论文采用了仿真信号与高铁轴承故障信号中对所提方法的有效性与优越性进行了对比验证。（2）针对不同特征对故障的稀疏表征能力不同而稀疏表示分类器中未根据判别性信息对特征权值进行量化的问题,提出了基于迭代重构稀疏分数的特征加权稀疏表示分类方法。该方法引入特征的有监督稀疏分数,并通过迭代重构的方式求取特征权值最优解,最后利用权值量化后的特征集构建分类器。实验证明,该方法能有效挖掘特征的潜在判别性信息,从而提高稀疏表示分类的准确性,而且迭代重构稀疏分数可以很大程度克服传统特征评分算法在具有多峰性与离群点样本中效果不佳的问题。（3）针对多分类器融合诊断中的决策问题,提出了基于重构误差概率估计混淆矩阵的多稀疏表示融合故障诊断方法。该方法通过稀疏表示中的重构误差挖掘各类别样本的分类倾向性,构建了小样本下量化性能更好的改进混淆矩阵,利用改进的混淆矩阵构建分类器可靠性矩阵,最后利用组合规则融合多分类器识别结果。实验证明,改进的混淆矩阵对分类判别信息的度量更为准确,具有更小的样本数目依赖性,能够有效提升小样本下的多稀疏表示分类器融合识别率。