随着科学技术的长足进步和社会经济的迅猛发展,工业的机械化程度不断提高提高,机械设备也变得愈来愈复杂,造成机械设备非正常运行的因素也大概率增加。设备一旦出现故障问题,可能会造成较大的生产损失和严重的安全隐患。滚动轴承作为机械设备中最常用的关键零件之一,其结构性能与工作状态对机械设备是否能够正常运行有着很大的影响。滚动轴承出现局部剥落、点蚀等故障时,会产生周期性的振动冲击信号,通常对此信号进行分析即可诊断出故障的严重程度以及出现的位置。但是,设备工作时往往伴随着较大的噪声,因此冲击信号,尤其是早期故障的振动冲击信号,很容易被噪声淹没。论文围绕强噪声微弱故障信号的特征提取问题展开了研究,基于恒Q变换（CQT）理论提出了几种故障诊断算法,主要的研究工作有:从去除噪声的角度,提出一种基于CQT和峭度准则的轴承早期故障特征提取CQT-K算法,首先将振动冲击信号进行CQT分析获得CQT谱矩阵,对获取的CQT谱矩阵根据中心频率进行分量划分,对所有分量进行峭度值计算,筛选出峭度值超过3的分量进行信号重组,最后结合包络解调分析方法进行频谱分析获得特征频率。通过仿真信号与实验数据验证了该方法的有效性。从增强故障信号的角度,提出一种基于CQT与二值化能量权重的CQTBEW算法,首先将振动冲击信号进行CQT分析,获得时频谱矩阵;然后对矩阵进行频率分段处理,在时间轴设置滑移窗口,筛选局部极值并二值化时频谱,向时域叠加获得能量时域信号;进行功率谱分析诊断获得特征频率,最后进行仿真信号与实验信号的分析验证。结果表明该方法具有可行性。针对轴承振动信号多频复杂的特性,在（2）的研究基础上,提出一种基于CQT与BP神经网络的CQT-BP故障诊断算法,提取信号的CQT时频特征和二值化时频特征向量作为BP神经网络的输入向量进行故障模式识别,构造不同故障的样本数据对模型进行训练和测试。测试结果表明,该模型具有很好的实用性。在本文研究算法的基础上,基于LabVIEW开发了滚动轴承振动信号在线监测系统和故障信号离线诊断系统,并将该系统应用于实际的生产线设备状态监控。