由于工作环境的背景噪音较大,且信号会受到传输途径的干扰,所以采集的机械设备信号通常是多分量、非线性的时变振动数据。对复杂信号进行检测时,以往常规的信号处理方法通常具有一定的局限性,难以准确提取目标信号中的故障冲击特征。因此,寻找可运用于机械故障诊断领域的新方法至关重要。本文将运用于海洋领域的元素分析方法首次运用于机械故障诊断领域,研究其特征提取和时频表示能力,并将其用于旋转机械故障信号的识别和重建中。本文的主要内容如下:（1）总结了经典信号处理方法的发展历程以及国内外研究现状。介绍了广义Morse小波的性质和优势,并阐述了元素分析方法的理论基础。为了对元素分析方法的性能进行评估,模拟了一组仿真信号数据,将元素分析方法与其他信号处理方法进行对比,并通过计算相关特征指标来对各信号处理方法进行定量分析,对比结果验证了方法在信号特征提取和重建上的优势,且对故障特征频率及其对应倍频的提取效果更为显著。（2）针对部分信号降噪和重构方法难以准确去除噪声的问题,提出了基于元素分析的滚动轴承故障诊断方法。该方法根据采集的轴承故障信号选择相应的小波参数,再构建元素模型,对元素模型进行小波变换,然后从小波变换中找出可表征信号冲击的变换极大值点,最后基于变换极大值点来重构信号以得出相符合的故障特征频率。通过采用轴承外圈、内圈和滚动体的实验数据来评估方法性能,并将所提方法与其他信号分析方法进行对比,结果表明该方法可有效降低虚假的冲击干扰,从而得到更理想的轴承故障诊断结果。（3）针对齿轮故障信号的频谱成分丰富,且时频表示存在能量模糊问题,提出了基于元素分析的齿轮故障诊断方法。为了研究元素分析方法的应用范围,对风力涡轮机动力传动试验台上采集的多种齿轮故障信号进行诊断。实验结果表明该方法可有效提取出齿轮齿根裂纹、齿面磨损、缺齿及断齿等信号中的故障特征,且具有良好的时频能量聚集性能,为齿轮信号的故障诊断开辟了新途径。（4）针对元素分析方法无法准确地检测出复合故障信号对应的调制分量,且难以有效分离不同的故障特征,提出了基于元素分析和逐次变分模式分解（SVMD）的滚动轴承复合故障诊断方法。将SVMD作为元素分析的前处理方法,再基于峭度-相关系数准则筛选信号分量,最后对筛选分量及分量重组信号进行元素分析,以实现轴承的复合故障诊断。为了评估该方法性能,采用一组仿真数据和一组轴承复合故障振动数据,并对其进行实验分析。结果表明该方法结合了SVMD的多模态分解优势和元素分析的提取信号冲击优势,可准确地提取复合故障特征,有效避免错诊和漏诊情况发生。