随着社会的进步和科学技术的快速发展,现代化生产越来越离不开各式各样的旋转机械,齿轮和滚动轴承作为旋转机械中的关键部件,直接决定着整个机械系统能否正常运行,其安全性对整个设备的正常运行也有着极大影响。深入开展齿轮和滚动轴承故障诊断和状态检测技术的研究,对于保障设备安全平稳运行、避免生产过程中重大安全事故的发生具有重要的现实意义。因此,本文以齿轮和滚动轴承为研究对象,将奇异谱分解与Wigner-Ville分布、1.5维谱、多尺度散布熵以及支持向量机结合,采用多种算法结合实现对齿轮和滚动轴承的故障诊断。论文所做工作及取得的成果如下:对奇异谱分解(SSD)和Wigner-Ville分布(WVD)在时频分析方面的性能进行研究,探究了一种基于奇异谱分解的自适应故障诊断新方法(SSD-WVD),并将其应用于齿轮故障诊断。首先利用奇异谱分解良好的自适应分解能力,对原始振动信号进行分解,得到若干SSC分量;然后对每一个SSC分量求峭度值,根据所求峭度值大小挑选出最优SSC分量;最后计算最优SSC分量的Wigner-Ville分布。经过实测信号分析发现,SSD-WVD方法对齿轮故障具有很好的诊断效果。针对奇异谱分解算法分解信号时无法实现最佳分解个数和最优分量选取的问题,利用特征能量比(FER)对SSD方法进行改进;应用SSD良好的分解特性,针对滚动轴承故障特征信息难以提取的问题,采用了一种基于奇异谱分解与1.5维谱结合的滚动轴承故障诊断方法;经过实验分析,验证了本文所提方法在滚动轴承故障特征提取方面的有效性。面对实际复杂工况中滚动轴承状态识别的问题,研究了一种基于奇异谱分解的多尺度散布熵(MDE)与支持向量机(SVM)相结合的滚动轴承故障识别与分类方法;首先利用奇异谱分解算法对原始信号进行分解,选取出故障特征信息丰富的分量作为主分析分量,再使用MDE算法对主分量进行多尺度特征提取,构造特征向量,最后将特征向量输入到SVM分类器中,经训练测试后对滚动轴承状态进行模式识别,实现了滚动轴承故障的诊断和分类。