当前故障诊断技术还不能完全满足实际生产的需求，存在许多尚未解决的关键问题，如早期故障的特征提取与检测、智能诊断模型的推理过程可解释性以及故障程度的定量识别等。这些问题的解决对提高诊断质量具有重要意义。本文在分析国内外故障诊断研究现状的基础上，针对机械设备振动诊断，深入研究了动态信号特征提取、故障模式识别和故障严重程度评估等问题，旨在为故障诊断技术的工程应用提供早期故障诊断能力强、抗噪性能好和诊断推理过程易解释的新方法和新技术。　　 针对冲击类局部故障检测问题，研究了复小波共振解调技术的频带参数优化方法，提出了一个新的优化指标。以复Morlet小波为基函数，固定小波频域带宽，仅优化小波中心频率，从而减少计算量，利于实时检测。利用提出的包络谱谱峰因子Ec优化中心频率，Ec不仅考虑到旋转部件局部故障引起冲击现象，而且考虑了冲击发生的周期性特点。轴承数据分析表明，相对于峭度和熵等常用优化指标，Ec优化得到的小波能够检测到轴承早期故障并且能够挖掘更多的诊断信息。　　 针对微弱故障特征提取问题，提出了一种提升算子阶数和系数同步自适应设计的第二代小波构造方法。该方法采用提出的可变染色体长度协同进化算法，根据信号统计特征直接设计预测算子和更新算子的系数和阶数，得到与信号特征相匹配的最佳小波。系数和阶数同步优化给小波自适应设计带来了更多的自由度，能够增强小波变换的特征提取效果。自适应第二代小波变换理想地提取出了淹没在噪声中的轴承早期故障特征，有效地增强了齿轮早期局部故障引起的周期性冲击特征。　　 针对振动信号非线性特征提取问题，引入了多尺度熵方法。用提出的连续函数替代近似熵和样本熵中的二值离散函数，得到了模糊近似熵和模糊样本熵，进而得到相应的多尺度模糊熵。以轴承故障识别为例，以支持向量机的分类效果衡量了各种单尺度熵和多尺度熵的特征提取性能。结果表明多尺度熵的分类效果优于单尺度熵，多尺度模糊熵的特征提取性能优于多尺度熵，模糊化改进增强了熵方法的抗噪声性能。多尺度熵及其改进为振动信号非线性特征提取提供了新方法。　　 现有智能诊断模型能够获得较高的诊断精度，但通常不能以规则知识的形式对推理过程进行解释，即遭遇所谓的“黑箱”问题。提出了一种基于决策树、自适应神经模糊推理系统(ANFIS)和集成学习的混合智能诊断模型。决策树进行特征选择和定性推理规则的抽取，并对ANFIS的拓扑结构进行精简；以精简后的ANFIS作为基分类器，采用集成学习算法进一步提升模型的泛化性能。齿轮箱实验结果表明混合智能诊断模型能够以较高的精度识别齿轮状态，以规则知识对数值推理过程进行定性解释，且计算量小。　　 针对故障的定量识别问题，提出了一种基于第二代小波包特征提取和核空间马氏距离的故障定量识别模型。提取第二代小波包分解后各频段系数的标准偏差为特征向量，以待检样本特征向量到无故障样本特征向量集之间的核空间马氏距离度量待检样本与无故障状态之间的相似性，进而度量故障程度。核空间马氏距离不仅考虑了特征之间的相关性，而且映射到核空间增强了不同故障程度样本之间的可区分性。故障程度指标与齿轮和轴承疲劳实验过程中故障发展之间的一致性较好，能够反映早期故障的出现，对故障程度变化敏感。