滚动轴承在机械设备中发挥着极其重要的作用,一旦轴承运行状态发生恶化,就会导致设备故障的产生,其引发的连锁反应会进一步影响设备的安全运行,因而需要对运行中的轴承进行状态检测。本文通过分析滚动轴承振动信号实现轴承的故障诊断,主要研究内容如下:（1）滚动轴承故障振动信号处理方法比较研究。经验模态分解（Empirical Mode Decomposition,EMD）方法以其独特的优势被经常用于非平稳数据分析,但存在模态混叠现象。集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）可一定程度上克服模态混叠,但受参数的选取影响也会发生上述缺陷,影响故障诊断的准确性。因而,产生了自适应噪声辅助的集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法。利用仿真信号对比分析了三种方法信号分解效果,表明CEEMDAN方法可以有效克服上述缺陷。（2）滚动轴承故障特征提取。CEEMDAN分解采集到的振动信号,得到多个固有模态函数（Intrinsic Mode Function,IMF）,运用峭度与相关系数评价指标,筛选含故障信息量较大的IMF分量,对筛选出的分量进行独立成分分析（Independent Component Analysis,ICA）,采用Fast ICA算法对筛选出的IMF进行处理并进行信号重构并对其进行包络谱分析,提取故障特征频率。利用西储大学轴承故障信号对构建的基于CEEMDAN-ICA信号处理方法进行验证,结果表明该方法可以分离出轴承发生故障时的特征频率,实现轴承故障诊断。（3）滚动轴承故障模式识别。用CEEMDAN方法分解加速度传感器采集到的轴承不同状态下的数据,得到多个IMFs分量。筛选与故障信号相关性较大的IMF分量,计算其样本熵,构建特征向量。然后运用Fisher得分对特征向量进行降维,将降维后的特征向量输入到粒子群算法（Particle Swarm Optimization,PSO）优化的支持向量机（Support Vector Machine,SVM）中,识别不同故障状态。利用西储大学实验室轴承不同状态下振动信号验证该方法,结果表明该方法在轴承不同状态的模式识别中可表现出较高的识别率。