机械设备故障诊断是生产安全的重要保障措施。随着生产企业对安全、效率、成本的重视程度提高,对于设备健康管理的需求与日俱增。而长期以来,机械故障诊断技术研究存在着重理论轻应用、重实验轻现场、重技术轻体验的问题,从而导致目前常用的机械故障诊断方法无法满足工业现场复杂工况设备的诊断需求,相关仪器操作复杂且对操作者有较高的理论基础要求。从工业企业设备维护人员的角度讲,机械故障诊断技术在工业现场“不好用”、“不会用”。因此,本文以基于振动信号分析的旋转机械故障诊断方法为基础,结合生产企业实际需求展开研究。一方面从工业现场设备强干扰、变转速的复杂工况出发,研究复杂现场工况下旋转机械振动信号处理方法。另一方面,针对设备维护人员理论基础欠缺的情况,研究复杂现场工况下故障智能评估方法。通过以上两方面的工作,实现以应用为导向的理论研究,并通过工业现场应用对理论研究与实践工作进行验证。为了实现复杂现场工况下旋转机械振动信号中的故障微弱特征提取,本文首先在Hilbert-Huang变换理论架构基础上,通过对端点效应、模态混叠问题进行改进并通过CEEMDAN快速算法实现了振动信号分析方法参数调节简便化。然后,以基于改进CEEMDAN的自适应非参数时频分析为基础,本文提出了一种用于强噪声干扰下故障冲击特征增强与提取的能量权重理论。通过一组仿真振动信号的分析以及列车轴承故障诊断实验,对能量权重法进行了验证,证明了该方法对强噪声干扰下的故障特征成分提取具有良好的效果。此外,本文还对能量权重法的应用范围进行了进一步拓展,提出了变转速工况下的能量权重法。通过对变转速、强干扰下的机械振动信号进行无键相阶次跟踪分析与能量权重法分析,实现了复杂现场工况下的故障特征增强,并以相关理论为基础进行了测试分析系统的开发。通过仿真信号分析和卷扬机轴承故障诊断工作对能量权重法在变转速工况下的应用进行了有效性验证。在研究振动信号特征提取方法,实现故障诊断与定位之外,本文还在设备智能健康评估方面进行了研究,提出了基于深度学习的变转速设备智能故障诊断。通过对振动信号的无键相阶次跟踪与等角度重采样,将变工况下的信号进行预处理,再利用深度卷积模型实现振动信号特征智能提取与分类,从而实现了诊断方法智能化。本文以高炉煤气余压透平发电机组和门座式起重机转车减速箱为诊断对象,通过对长期跟踪测试积累得到振动信号进行分析,相关理论在工业现场获得了应用与验证。