本论文在国家自然科学基金（No.52075236,51675258）、江西省自然科学基金重点项目（No.20212ACB202005）、装备预研重点实验室基金（6142003190210）和航空科学基金重点项目（20194603001）的资助下,基于非线性模态分解方法具有盲源分离和自适应处理的优点,将此方法引入到故障信号处理中,提出了一种非线性模态分解在机械故障中的应用研究方法,并将该方法进行了深入的研究,通过仿真和实验验证,取得了一些创新性成果。各章内容安排如下:第一章:论述课题提出的背景和研究意义,并论述了信号的分解理论和非线性模态分解方法的国内外研究现状。在此基础上,给出了本论文的各章节内容与创新点。第二章:论述了非线性模态分解（Nonlinear Mode Decomposition,NMD）的基本原理。该方法是一种基于小波变换和窗口傅立叶变换结合的自适应选择的方法,运用最大路径函数法提取脊线,再运用脊线法和直接法对信号进行重构,其重构结果具有实际物理意义,且较好地解决了频率混叠问题。在仿真信号中,将非线性模态分解与经验模态分解和变分模态分解的处理结果进行比较,证明非线性模态分解的优越性。最后,将提出的方法应用到轴承故障信号处理中,实验结果验证了提出的方法的有效性。第三章:为解决非线性模态分解方法迭代次数过多,运行速度慢的问题,提出了非线性模态分解—概率幅值解调的方法,并将其运用到轴承故障诊断研究中。该方法可以自适应调节谐波所在的频率范围,减少时频表示时小波变换和加窗傅里叶变换的迭代次数,加快了运行速度,然后将重构得到的分量进行概率幅值解调。仿真结果表明此方法可以减少迭代次数,加快运行速度,可提取信号特征。最后,将提出的方法应用到轴承复合故障信号处理中,实验结果表明此方法可用于实际工况中。第四章:为解决非线性模态分解处理时变、强噪声信号的不足,将同步压缩嵌入到非线性模态分解中,提出了同步压缩非线性模态分解方法,并将其应用到轴承故障诊断中。提出的方法可以抑制非线性模态分解方法中因加窗傅里叶变换和小波变换引起的频谱泄漏问题,即有利于能量集中,又能提高频域信号的时间分辨率和频率分辨率。仿真结果表明,提出的方法明显优于传统的非线性模态分解,能够有效地处理强噪声干扰的时变信号,最后,将提出的方法应用到轴承复合故障信号处理中,实验结果证明了同步压缩非线性模态分解方法的实用性。第五章:结合非线性模态分解与注意力卷积神经网络,提出了一种基于非线性模态分解的智能诊断方法,并将其应用于轴承故障诊断中。该方法首先对轴承故障的振动信号以非线性模态分解的方式提取高维特征模量;然后,将特征模量组成多通道样本,并输入到注意力卷积神经网络中进行训练,利用训练后的网络对特征模量进行融合和自适应地特征选择,以提高故障诊断的自适应性;最后,通过训练好的网络对滚动轴承进行故障诊断,同时与基于经验模态分解、变分模态分解的注意力卷积神经网络诊断方法进行了对比研究,验证了提出的方法的优越性。第六章:对基于非线性模态分解的机械故障诊断方法进行了总结,并对非线性模态分解方法在机械故障领域中值得进一步研究的问题进行了展望。