轴承作为现代工业中的一种基础零部件,使用非常广泛。轴承失效时会导致整个机械设备停止运行,甚至出现机械设备的二次破坏,造成经济损失和安全事故。如果,我们在轴承发生故障的早期阶段,就能检测到故障的产生并实现预警,那么就可以有计划的采取相应的措施,减轻或者避免上述不良影响。然而在轴承产生早期故障时,振动信号常常非常的微弱,传统的信号分析技术效果不佳。针对该问题,本文对轴承的早期故障进行了基于微弱故障信息增强的时频图像的构建和识别方面的相关的研究,提取滚动轴承振动信号中的微弱故障信息。文中给出了基于时频的三种方法,主要涉及小波分析和欠定盲源分离技术,通过处理仿真信号和轴承实际振动信号,验证了该方法的效果。首先研究了轴承故障产生的冲击响应信号的模型,在常用的等周期模型上,考虑了相对滑动,为等周期冲击响应信号加入了轻微的随机波动,同时考虑了调制的影响,使得模型更加准确。另外也推导了轴承各种故障下的特征频率,为后面的分析提供了理论基础。然后在短时傅里叶变换的二次FFT的基础上发展出了连续小波变换-包络谱平均分析方法。首先对轴承振动信号进行连续小波变换(CWT),然后针对每一个尺度下的分析结果沿着时间维度进行包络解调分析,最后选择中小尺度下的包络谱进行平均处理。通过处理仿真信号和实际轴承早期故障信号,得到了较好的分析结果,验证了该方法的有效性。轴承的早期故障特征微弱,容易受到噪声的干扰,不容易准确识别。为此,结合小波尺度谱同步平均和小波脊线分析的优点,提出了基于小波尺度谱的时频脊特征提取方法。首先对多周期的振动信号进行小波变换,并重排小波尺度谱；再根据信号的周期性,对尺度谱进行同步平均,最后提取小波脊线,计算信号的包络幅值并进行频谱分析,最终获得弱故障特征。通过仿真和实例验证了本方法的有效性。实际中我们采集到的观察信号包含有故障信息源在内的多种源信号,由于故障源比较微弱,为其检测增加了难度。盲源分离是解决该问题的思路之一。首先对信号进行短时傅里叶变换,然后通过对观察信号的时频散点图进行处理,估计出混合矩阵,最后利用L1范数最短路径法恢复出源信号的时频矩阵,经逆变换得到源信号。文中通过对仿真信号和采集到的实际振动信号进行基于SCA(稀疏成分分析)的欠定盲源分离处理,然后对分离的信号进行包络分析,最后提取出了故障特征频率。分离的结果各个通道具有实际的物理意义,验证了该方法的有效性,实现了对轴承早期微弱故障的检测。