汽车发动机、各部件与系统总成均安装在底盘上,底盘承载了全车的重量,实现了发动机的动力的接受和传输。当底盘中有故障发生时车辆将不能正常工作,甚至对生命安全造成威胁。利用轴承和齿轮的振动信号对底盘进行故障诊断可以有效保障各种车辆完成工作。本学位论文对经验模态分解、集合经验模态分解和固有时间尺度分解等方法及其在轴承振动信号状态监测与故障诊断的应用进行了深入研究。并针对底盘复杂结构中多通道信号问题,分析多维经验模态分解算法特性,并提出多维固有时间尺度分解。主要研究工作和成果如下:针对轴承工作环境噪声大,难以提取实际特征频率的情况,应用奇异值差分谱理论降噪对经验模态分解得到的本征模态分量进行降噪,提取轴承故障频率。结合计算得到的本征模态分量的能量熵和支持向量机,对齿轮的工作模式进行识别。通过实例验证了此方法的可行性。针对经验模态分解中存在的模态混叠问题,采用集合经验模态分解和奇异值差分谱降噪的方法,得到原始振动信号的能量特征,结合支持向量机进行故障模式识别。分析了支持向量机的工作特性并建立了超低维小样本支持向量机。针对强噪声下振动信号特征难以提取的问题,结合固有时间尺度分解、形态学滤波和Teager能量谱的故障诊断方法。首先对原始振动信号采用固有时间尺度分解,对得到的前两个固有旋转分量进行形态学滤波并重构。计算重构信号的Teager能量算子并绘制Teager能量谱,在Teager能量谱中识别故障特征频率。论文对底盘振动特性及故障特征进行了分析,然后针对底盘系统中多通道信号引入多维经验模态分解,最后类比多维经验模态分解的拓展方式,提出多维固有时间尺度分解算法,应用该算法,仿真实验提取出了来自不同位置测得的多维振动信号中的故障频率,验证了方法的可行性。