轴承是旋转机械中应用最广泛的一种通用机械部件，在工业中起着重要的基础作用。轴承故障关系到机械设备运行安全以及人身安全，因此开展故障监测及故障诊断的研究意义重大。 声音信号诊断有着非接触采集、信号获取方便、易于控制、成本低廉等优点，声音信号同样包含着大量丰富的机械运行状态的信息，因此本文将声音信号作为故障信息源，研究了单一故障和复合故障模型的诊断方法，具体研究内容如下： 1) 实验中发现小波变换结合包络分析的人工诊断方法无法有效诊断某些故障，提出对小波分解重构的每层高频细节信号进行包络谱分析的改进方法，实验结果表明，改进方法在诊断准确率上具有明显优势，同时该方法的实时性较好，可能应用于工程实际。 2) 考虑到人工诊断的主观性，提取小波和小波包变换后的能量特征，采用BP(Back Propagation)神经网络智能诊断。通过综合比较，认为小波神经网络性能较好，并且智能诊断方法略优于人工诊断方法，但智能方法需要大量样本预先学习，人工方法可依据谱图直接诊断，因此应用中可将两种方法比较分析，相互补充。 3) 当故障信号为多个源的复合信号时，实验验证，在不分离混合信号的前提下直接应用单一故障模型的诊断方法明显失效，而在源统计独立的条件下，可以采用快速独立分量分析算法分离出各个独立源信号，进一步运用单一故障模型方法能成功诊断故障。而当源相关时，应用标准的独立分量分析受到限制。本文提出不同先验知识下的MSD-ICA-EA(Multiresolution Subband Decomposition-Independent Component Analysis and Envelope Analysis)分析方法，在强先验知识下直接对分离出的独立子带信号运用包络分析方法诊断轴承故障；若为弱先验知识，应用改善的子带独立性近似判断准则判断出独立子带，然后对该子带对应的分离信号同样采取包络分析方法进行分析。实验结果表明该方法较好地解决了如何诊断源相关的损伤类复合故障这类问题。