旋转机械故障特征提取与振动源识别是故障诊断的关键内容。本文围绕旋转机械激振源引起的振动、故障信息提取与融合、子带敏感特征集设计与特征降维、振动源盲分离进行研究。论文的主要工作如下：　　(1)研究了旋转机械激振源对结构振动的影响。计算了含波纹度滚动轴承动态响应，发现了微小几何波动能显著影响结构的稳定性。计算了内圈故障、外圈故障、滚动体故障动态响应，与实验对比，验证了模型与计算结果的准确性。分析了齿轮局部损伤与均布频谱特点。　　(2)研究了故障信号趋势项去除与降噪方法。融合了EMD-LMS法去除趋势项，改善了EMD方法识别趋势项性能，给出了频谱比值表达式，用以消除EMD产生的虚假分量。针对奇异值分解降噪，对含噪信号进行相空间重构以减少冗余。定义了奇异值差分能量熵，以确定奇异值阶次，利用改进的中值-奇异值分解方法对航空发动机脉冲-随机噪声进行降噪，取得明显效果。构造了新的小波阈值函数，利用双树复小波进行降噪，有效地减小了恢复信号的畸变。　　(3)研究了故障信息融合，改进了二维全息谱计算。联合了HWPT-ZFFT法进行频谱细化，利用HWPT方法正交、无冗余的提取感兴趣频段，然后利用ZFFT精细计算信号幅值、频率与相位。计算细化频谱后分倍频二维全息谱值，提高了识别转子故障的准确度。　　(4)设计了子带敏感特征集，提取滚动轴承不同故障类型特征，提出了KICA-GDA-ICA法，利用此方法对特征进行降维与去冗余，最后利用最小二乘支持向量机进行分类，实验结果表明所提出方法的有效性。　　(5)研究了NMF在盲源分离中的应用。融合了WSVD-NMF方法，得到更清晰的局部表示。利用NMF识别出转子故障源数目，无需利用源的先验知识。利用联合WSVD-NMF-PMF-SOBI张量盲源分离对相关源进行分离，结果表明比独立量分析具有更明显优势。利用基于单模式盲源分离的多模式含噪信号正则多元分解，单模式分量提供了先验知识，将其应用到其它模式中，提高了源识别准确度与计算效率。　　(6)针对多分量调频源盲分离，研究了正定和欠定混合矩阵两种情况下的源识别。提出了针对正定情况的W-UWEDGE法估计混合矩阵，识别出转子运行状态。建立了框架进行欠定盲分离，利用两步法处理：第一步，提出单源自项时频点-模糊聚类算法估计混合矩阵；第二步，利用基于压缩感知的稀疏方法进行源估计，仿真信号验证了所提方法的有效性。