滚动轴承作为旋转设备中核心的部件,工作环境复杂恶劣,故障频发,不同故障相互耦合,一旦发生故障往往带来重大经济损失甚至威胁到人的生命安全。为解决上述问题,本文在国内外滚动轴承损伤理论和特征提取方法的基础上,对基于共振解调的滚动轴承复合故障分析方法进行研究。首先,对共振解调技术的基本原理进行介绍,并用一组仿真实验验证了共振解调技术的有效性;接着分析了噪声、低频谐波和共振频带特征差异三个因素对共振频带检测结果的影响;而后从最优共振频带的确定和故障冲击量化指标两方面分析了现有的共振解调技术存在的技术难点,为后面章节奠定了基础。其次,针对滚动轴承复合故障的共振频带检测的难题,本文在快速谱峭图的思想基础上提出了具有自适应性的循环冲击因子信息图（Cycle Shock Factor Infogram,CSFI）,给出了能够反映故障冲击瞬态能量和周期性的CSF指标,更加准确的量化故障冲击成分;另外利用Welch谱估计确定经验小波变换中模态间的边界,准确有效的检测出模态边界并提高CSFI的鲁棒性;最后通过仿真实验对CSFI的有效性进行了验证,实验结果表明:CSFI中提出的CSF指标可以很好的量化故障冲击,结合Welch谱估计和经验小波变换可以更加准确的检测出最优共振带,从而可以突出故障特征。接着,针对滚动轴承复合故障中因共振频带差异明显而导致特征相对不明显的共振带被掩盖的难题,提出了渐进式变分模态分解-双重筛选策略（Progressive Variational Mode Decomposition-Double Screening,PVMD-DS）算法。通过构建不完全分解条件和设定迭代终止条件,逐一提取故障模态以解决传统变分模态分解中模态个数K确定难的问题;并在所提出的周期性指标能量波动因子的基础上,对变分模态分解中的惩罚因子α进行了优化;另外,结合峭度和能量波动因子两个指标,提出了故障模态的双重筛选策略以实现对故障模态的精准筛选;最后通过仿真实验对PVMD-DS的有效性进行了验证,结果表明:PVMD-DS算法可以很好的解决传统变分模态分解中模态个数K和惩罚因子α确定的难题,同时基于峭度和能量波动因子的双重筛选策略可以准确定位故障模态,当考虑轴承故障特征提取和算法运行效率两方面的性能时,PVMD-DS算法更加优异。最后,利用ABLT-1A实验台HRB6205轴承内外圈复合故障和外圈与滚动体复合故障两组数据对提出的CSFI和PVMD-DS两种算法进行了有效性验证,通过与现有的算法进行对比,进一步验证了CSFI和PVMD-DS算法在实际应用中的优异性。