齿轮轴承等旋转部件广泛应用于现代工业的各个领域,其健康状态是机械装备能否安全、高效、持续运行的重要保证。由于机械设备结构复杂、工作环境恶劣,车辆旋转部件的早期故障往往会淹没在背景噪声中,造成误诊或漏诊。因此,噪声环境下车辆旋转部件的故障诊断和健康监测的研究具有非常重要的现实意义。随着测试设备的发展和机械装备的高效、智能化,机械装备故障诊断进入大数据时代,并因此带来了新的挑战。因此,本文将以车辆传动系中的齿轮和轴承为研究对象,针对大数据、噪声环境下的微弱故障诊断、微弱复合故障分离和智能故障分类三个问题展开系统的理论和试验研究,重点提升早期故障诊断的智能性、鲁棒性和噪声适应能力。论文的主要内容及创新性成果如下:（1）系统的研究了稀疏特征学习算法的理论,对稀疏表达能力进行了推导,从理论上研究了广义归一化形式。针对本文重点关注的三个问题进行深入分析,提出了应用中的理论不足并针对性的提出了相应的改进算法。（2）针对大数据环境下的微弱故障诊断,引入无监督学习的优势,从理论上研究了盲解卷积算法和稀疏特征学习算法之间的联系,提出了交叉稀疏多维盲解卷积算法（Cross-sparse based Multi-dimensional Blind Deconvolution,C-MBD）。该方法将解卷积过程作为一个稀疏特征学习过程处理,首先对样本特征进行卷积激活,然后通过交叉归一化构造目标函数并进行优化,最后通过峭度确定主要特征成分。通过齿轮、轴承故障的模拟信号和试验信号对算法进行了验证,与MED、CSF算法进行了对比,试验结果表明提出的方法可以实现冲击和调制信号的特征提取,同时明显提升了故障特征提取的智能性、鲁棒性和噪声适应能力。（3）针对大数据环境下的微弱复合故障诊断,提出了基于交叉稀疏多维盲解卷积和交叉峭度追踪（Cross Kurtosis Pursuit,CKP）的复合故障特征分离方法。该方法首先通过交叉稀疏多维盲解卷积学习样本的多组特征,训练出滤波器组,然后通过交叉峭度追踪的方法对权值的频谱进行选择,确定主要的特征成分。通过齿轮、轴承故障的复合模拟信号和试验信号对算法进行了验证,与Fast Kurtogram、VMD、CSF算法进行了对比,验证了不同的故障复合模式下的特征提取和分离能力。试验结果表明提出的方法可以适用于多种复合故障模式,同时不需要任何先验经验,明显提升了故障特征提取的智能性、鲁棒性和噪声适应能力。（4）为研究归一化参数对稀疏特征学习方法的影响,同时解决特征学习过程中的泄露问题,提出了基于广义稀疏滤波算法（General Normalized Sparse Filtering,GNSF）与PCA的智能故障诊断方法。该方法首先将每一个训练样本进行随机分段,然后进行PCA分析,通过主分量构建训练矩阵,最后通过GNSF训练并提取故障特征,最后通过Softmax分类器实现故障的分类。通过齿轮、轴承故障的试验信号对算法进行了验证,详细研究了归一化参数对准确率、计算效率和鲁棒性的影响,试验结果表明提出的方法可以解决特征学习过程中的泄露问题,为后续的研究提供了理论基础。（5）为提高智能故障诊断方法的训练效率,改善特征分布。提出了快速卷积激活方法（Fast Convolution Activation,FCA）和伪归一化（Pseudo-normalization,PN）方法。快速卷积激活明显降低了训练矩阵的维数,实现了对样本特征的直接优化,解决了传统算法优化局部特征的缺点,同时通过训练特征的2范数实现了测试特征的伪归一化,实现了测试特征的高分散性分布。通过齿轮、轴承故障的试验信号对算法进行了验证,试验结果表明提出的方法在能够提高准确率和鲁棒性的同时,明显的提高了计算效率,与传统方法相比,在达到相同准确率的情况下,计算效率提高近10倍。（6）针对强干扰环境下的智能故障诊断问题,以前几章的理论和试验研究为基础,提出了强噪声干扰环境下的车辆旋转机械智能故障诊断方法。该方法首先通过训练样本的Hankel矩阵构建训练矩阵,通过权值归一化消除特征漂移问题,然后通过3/2-2稀疏滤波提取故障特征,通过特征归一化改善了特征的分布。通过齿轮、轴承在噪声环境下的故障信号对算法进行了验证,研究了不同信噪比、不同分类器下的分类准确率和鲁棒性,详细研究了各项改进方法的作用,试验结果表明提出的方法具有更好的噪声适应能力。