旋转机械在现代工业生产运行中十分重要,而滚动轴承是旋转机械设备最为重要的零部件之一,直接关系到整个生产链的运行状态,严重故障时甚至会造成巨大财产损失和人员伤亡。若能够监测到滚动轴承的早期故障,这对于工厂安排维修计划、准备备品备件和保障机械设备正常运行等均具有重要意义。因此,本文针对滚动轴承的早期故障诊断,从故障特征提取和故障诊断分类方面展开研究:首先,对人为加工的滚动损伤故障信号进行特征提取,采用一种互补集合经验模态分解(Complementary Ensemble Empirical Modal Decomposition,CEEMD)、快速独立分量分析(Fast Independent Component Analysis,Fast ICA)和Teager-Kaiser能量算子(Teager-Kaiser Energy Operator,TKEO)相结合的滚动轴承故障特征提取方法。该方法先利用CEEMD算法将原故障振动信号进行分解运算,得到一系列模态分量(Intrinsic Mode Function,IMF),然后依据峭度准则选取有效IMF完成观测信号的重构,剩余的IMF则用于完成虚拟噪声通道信号的重构;再利用Fast ICA方法对重构信号进行降噪;引入TKEO对降噪后的信号进行解调处理;最后对解调后的信号进行快速傅里叶变换(Fast Fourier Transform,FFT),分析变换后信号的频谱特征。将该方法应用到人工模拟的美国凯斯西储大学滚动轴承损伤故障实验数据中,分析结果表明该方法能降低噪声的影响,突出故障信号的冲击特征。其次,针对滚动轴承早期微弱故障信号的特征信息难以提取的问题,提出改进的固有时间尺度分解(Quartic Hermite interpolation-Intrinsic Time-scale Decomposition,QH-ITD)和自适应最大相关峭度解卷积(Adaptive Maximum Correlated Kurtosis Decomposition,AMCKD)的滚动轴承故障特征提取方法。该方法先利用QH-ITD算法对原滚动轴承故障信号进行分解运算,然后依据峭度准则和互相关系数指标筛选相应的固有旋转分量(Proper Rotation,PR)信号重新构造新降噪后的信号,再进行AMCKD算法处理,最后进行TKEO解调处理。将该方法应用在辛辛那提大学的全寿命周期的滚动轴承数据中进行验证,可以提取出滚动轴承早期微弱故障信号的基频和倍频信息。最后,对滚动轴承早期微弱故障的分类识别方法进行研究,提出基于QHITD改进多尺度近似熵和GG(Gath-Geva)聚类的滚动轴承早期故障诊断方法。该方法利用标准差改进多尺度近似熵的粗粒化过程,提出改进的多尺度近似熵(Improved Multiscale Approximate Entropy,IMAE)。首先利用上述所提的QH-ITD分解算法对原滚动轴承故障信号进行分解运算,然后提取各分量改进多尺度近似熵构成特征向量矩阵,利用GG聚类算法将归一化的特征向量矩阵进行故障诊断分类,得到各个故障类型的聚类中心,最后利用择近原则中的欧几里得贴近度对故障类型进行具体分类识别。将该方法应用在西安交通大学的全寿命周期的滚动轴承加速寿命实验的早期故障数据中,分析结果表明该方法可以对滚动轴承的早期微弱故障进行有效地分类识别。