在滚动轴承故障诊断研究中,轴承故障信号的特征提取直接关系到故障诊断的可靠性和准确性,由于故障信号的非线性、非平稳特性以及复杂背景噪声的叠加,如何准确地提取到故障特征一直是相关研究中的重点与难点。本学位论文应用经验模态分解,奇异值分解等信号处理方法进行故障特征提取,通过对现有方法的改进和补充,以多重降噪的方式完成对故障特征频率的准确提取。主要内容如下:首先,进行了基于经验模态分解(EMD)的滚动轴承故障诊断研究。对EMD的理论与过程进行研究,认为端点效应是EMD诸多问题中十分重要和棘手的问题。分析了EMD端点效应产生的原因,找到抑制端点效应最有效的方法是采用波形匹配的延拓方法对信号边界进行延拓。针对基于距离的波形匹配延拓方法适用范围有限的问题,提出信号边界平稳性检测的信号预处理方法,消除了该方法的适用限制。在波形匹配过程中,从边界母波的波形形状和延展趋势两方面综合考量,改进了相似波形匹配方法。通过实验验证了改进后的EMD方法的有效性。其次,进行了基于奇异值分解(SVD)的滚动轴承故障诊断研究。对SVD的理论与过程进行研究,通过对现有的奇异值差分谱降噪方法的分析,发现其奇异值选取方法存在不足。研究了一定Hankel矩阵下的奇异值的性质,并以此为基础提出基于双奇异值重构信号的奇异值选取方法。通过实验验证了改进后的SVD方法的有效性。最后,将经验模态分解和奇异值分解两种方法以一定方式相结合提取故障特征。将EMD和SVD相结合,从不同的角度采用不同的方式对信号先后进行去噪,最大限度地去除干扰信息进而准确地找出故障特征频率。通过实验验证了该特征提取方法的有效性。