机械故障特征的提取技术对机械系统的状态监测、故障诊断具有重要意义。直接从机械系统获得的观测信号实质上是各个部件产生信号的混合,能够反映关键部件运行状况的有效信号特征往往被淹没在了混合信号中。为了对机械关键部件进行准确监测和诊断,必须从复杂的观测信号中有效地估计与分离出能够反映设备工作状态的信息,这也是基于单通道盲源分离理论的故障特征提取技术的重要任务。单通道盲源分离(Single Channel Blind Source Separation,SCBSS)仅利用单路传感器接收的混合信号,提取出关键特征信息,实际情况中由于机械结构、安装条件和成本的限制,往往仅存在单个传感器,恰恰与单通道盲源分离技术的应用环境相符合,使得其在机械故障诊断中具有深远的科研意义和应用价值,吸引越来越多的科研人员投入研究。本文以机械设备故障特征提取为研究背景,对单通道盲源分离算法及应用进行探讨,主要研究工作和成果如下:(1)研究和分析独立分量分析理论和算法,实验表明FastICA算法具有迭代速度快、输出稳定可靠、算法易实现等优点,可作为单通道盲源分离算法的核心工具。(2)研究了基于虚拟多通道的单通道盲源分离算法,该算法通过对单通道混合信号的预处理,将单通道问题转化为虚拟的多通道问题,其关键在于预处理算法的选择。通过实验对比分析了时空法、DWT、EMD、EEMD等预处理算法的性能和优缺点。(3)研究了非抽样小波变换原理及特性,非抽样小波变换不需要抽样操作,每层分解输出的高通和低通信号长度与原始信号相同,在时域和频域上信息是冗余的,分解结果频带交叠很少,将其应用到发电机组的故障诊断中,有效提取了轴瓦松动故障的特征。(4)提出了一种基于UWT-ICA的单通道盲源分离方法,实验表明该方法具有良好的分离效果和效率,将其应用到轴承的故障特征频率提取中,分离的分量清晰地揭示了与轴承故障相关的特征。