滚动轴承是机器中应用最广泛的标准零件之一，也是容易出现失效的元件之一。滚动轴承工作的稳定性对设备的工作状态有较大的影响，其故障缺陷会造成机器产生不同程度的振动和噪声，甚至导致设备损坏。为确保设备工作性能，对滚动轴承进行状态监测及振动分析技术已逐渐应用于各类精密机械装备。但轴承产生失效的原因复杂，早期故障信号能量微弱，振动噪声明显，因此对故障特征提取技术的研究一直是滚动轴承故障诊断的关键。　　故障诊断的前提是针对故障机理的研究，本文首先研究分析了滚动轴承故障冲击的物理模型与振动机理，结合滚动轴承工作的实际状况，指出滚动轴承故障的组成成分及其特性。针对滚动轴承故障振动信号呈现出非线性、非平稳性及噪声背景较强等特点，为了有效提取故障特征，本文提出了一种共振稀疏分解（Resonance-based sparse signal decomposition，RSSD）与小波变换相结合的振动信号特征提取技术。其中，共振稀疏分解是基于品质因子可调小波变换与形态分量分析的一种新的信号分解方法，与常规的基于频带划分的信号分解方法不同，它依据信号各分量的振荡形态不同对信号进行分解。　　本文介绍了共振稀疏分解的基本思想，阐述了分解中不同参数对于分解结果的影响，提出了关键参数优化的方法。通过仿真信号论述了共振稀疏分解在故障特征提取中的应用方法及可行性；并通过滚动轴承仿真信号研究了基于优化参数的信号共振稀疏分解方法。针对滚动轴承出现故障时背景噪声较强，信号干扰较大，本文提出应用小波降噪进行信号的预处理，然后应用RSSD方法进行信号分解及故障诊断。通过滚动轴承故障仿真试验台数据进行实践分析，能够一定程度获得故障特征，但存在特征频率及其倍频幅值不占优，信噪比不高的情况。　　为进一步突出故障特征，本文提出RSSD与小波变换相结合的滚动轴承故障诊断方法，对信号共振稀疏分解得到的低共振分量继续进行小波分析，得出更为贴近故障特征的重构信号。通过两类轴承试验台数据进行验证分析，结果表明该方法能有效提取滚动轴承故障特征。　　本文最后与一般典型的时频分析方法EMD进行了对比研究，通过对比观察发现本文提出的故障特征提取技术所获得的频谱信噪比高，故障特征明显。