作为工业现代化进程中的关键基础装备,旋转机械在诸多工程和民生领域发挥了重要的支撑作用。随着旋转机械装备朝着高效率、高功率密度、大承载能力等方向快速发展,设备发生故障的概率也逐步递增。及时获取旋转机械设备在实际运行过程中的故障特征信息,对于保证旋转机械设备安全、可靠地长效运行具有重要的意义。旋转机械在运行过程中的故障信息通常包含在振动信号中,受到多路径传递及界面耗散、多尺度同频耦合噪声、机械系统运行冲击及非平稳运行工况的影响,早期微弱故障诱发的振动冲击通常以调制形式分散在机械特征频率及共振频率附近并淹没于复杂背景噪声中。另外,受到系统结构及工况的影响,产生的目标响应表现出谐波分量复杂、调制强弱不一、特征分布不均等特点,这种现象极大限制了传统故障特征提取方法对故障多尺度调制信息的辨识能力。因此,开展微弱故障特征的变尺度挖掘及特征增强方法研究工作,具有重要的理论意义与工程实践价值。本文针对旋转机械微弱信号故障特征提取及增强这一问题,取得的创新与研究进展如下:（1）针对复杂噪声下的微弱故障特征提取问题,考虑变分模态分解在微弱故障特征提取中的优越性,研究了其基于维纳滤波原理的参数化滤波器组性质,分别研究了模态个数、带宽参数以及初始中心频率对其微弱特征提取性能的影响。提出了基于频线能量谱的参数优化策略,有效解决了算法存在的过分解与欠分解问题,实现了全频带内微弱模态特征的准确定位与故障信息提取。（2）针对复杂调制信息多尺度分布特性带来的信号微弱故障特征提取困难的问题,考虑变分模态解在模态更新过程中模态分量的搜寻和尺度变换无法兼顾,在微弱故障特征的变尺度提取时表现出明显的不适性。提出了基于局域尺度搜索的变尺度模态分解算法,实现了微弱模态信息的变尺度挖掘与信噪比提升。（3）针对传统滤波方法无法抑制同频耦合噪声导致故障本征信息模糊的问题,结合时频流形学习技术,提出了变尺度模态流形增强学习算法,有效克服了同频耦合噪声干扰,在时频域内实现了微弱故障本征结构信息的增强。（4）设计了故障模拟方法,搭建了齿轮早期剥落故障模拟实验台,获得了相关数据,通过分析结果的对比,验证了论文提出方法在微弱故障特征提取及增强上的有效性与先进性。