状态监测与故障诊断主要包括信号检测、特征分析、状态识别和故障诊断等几个环节，其中最为关键也是最困难的问题之一就是故障特征信号的提取和分析。　　 作为一种重要的特征分析与提取方法，高阶谱分析不仅能够消除高斯噪声干扰，且能反映信号中的相位耦合信息，因此，高阶谱分析在故障特征提取中具有潜在的巨大优势。然而，由于高阶谱分析往往以三维图像形式给出结果，解释其结果与设备故障之间的对应关系需要专门的理论知识，超出了一般工程技术人员的知识范围，因此，在工程实践中得到广泛应用的仍然是以经典频谱分析为核心的特征提取方法。　　 本文针对高阶谱分析在机械设备故障诊断应用中存在的问题，对基于非负张量分解的故障特征提取理论和方法进行研究，以期解决高阶谱分析结果与设备故障之间关系复杂、难以被一般工程技术人员掌握这一应用瓶颈。　　 首先，简要介绍了几种典型的非负张量分解算法，研究了现有特征分析结果组成的高维数据阵列的张量表示技术，讨论了两种现有特征分析结果的张量表示方法。　　 其次，针对已有非负张量分解算法在应用中存在的算法对特征提取结果的稀疏度不可控、以及施加稀疏度约束后算法运行效率不高等问题，分别提出了的含有稀疏度约束和止交性约束的非负张量分解算法，并进行了仿真和实验对比。其中，含有稀疏度约束的非负张量分解算法应用欧式距离代价方程，结合二阶锥规划方法，提高了特征提取结果的稀疏度、算法运算效率和运算精度；含有正交性约束的非负张量分解算法借鉴多层循环非负张量分解的迭代思想，结合β散度代价方程和格拉姆-施密特正交化方法，在保证非负张量分解算法特征提取结果稀疏度的前提下，进一步提高了算法的运算效率。　　 最后，将上述方法应用于齿轮箱典型故障的二次特征提取与识别，建立了非负张量分解提取结果与齿轮箱故障之间对应关系。实验结果表明，上述方法与传统特征提取方法相比不仅能够取得更好的故障识别效果，而且很好地解决了高阶谱分析在工程应用中存在的问题，对于普及高阶谱以及其他现代特征分析方法在实践中的应用具有重要意义。