滚动轴承作为旋转机械中应用最广泛的关键零部件之一,恶劣的工作环境导致其故障频发,从而影响整台设备的运行,轻则导致整个生产链停产,造成一定经济损失,重则导致灾难性的人员伤亡和严重的社会危害。因此,开展滚动轴承故障诊断技术研究,尤其对早期故障诊断进行研究具有重要的科学理论意义和工程应用价值。然而在实际工程中,滚动轴承早期故障特征本身比较微弱,再加上诸多因素的影响,导致故障诊断中获得的必然是信噪比极低的强噪声污染信号,给滚动轴承故障诊断带来一定难度。为此,本文以随机共振理论为基础,提出了两种强噪声背景下的微弱特征提取方法,为滚动轴承早期故障诊断提供一定的参考,具体如下:首先,结合滚动轴承常见失效模式,对滚动轴承振动机理进行了概括,并搭建滚动轴承故障模拟实验台,分析了不同元件故障时的振动信号特征。其次,介绍了经典双稳态随机共振理论及其微弱特征检测机制,并针对经典双稳态模型的输出饱和特性,建立了分段线性非饱和随机共振模型,进而提出了自适应分段线性随机共振方法,用于微弱特征提取。该方法基于普通变尺度原理对大参数信号进行预处理,使其满足随机共振要求;采用量子粒子群算法搜索分段线性系统的最优参数,获得最佳随机共振输出。通过数值仿真对算法的有效性进行了验证。然后,在单级随机共振的基础上,提出了级联自适应分段线性随机共振方法。该方法通过将多个单级自适应分段线性系统进行串联,使得待测信号中的高频能量不断向低频转移,从而低频微弱特征能量被逐级增强。通过数值仿真和实验信号分析验证了该方法能够进一步提高输出信噪比,实现强噪声背景下的滚动轴承微弱故障特征提取。最后,针对强噪声背景下滚动轴承故障信号经验模态分解质量不佳这一问题,提出了基于级联分段线性随机共振降噪的经验模态分解方法。该方法首先采用级联自适应分段线性随机共振方法对强噪声信号进行降噪预处理,随后对降噪信号进行经验模态分解,从分解所得的基本模态分量中提取特征信号。数值仿真和实验信号分析表明,该方法能够提高经验模态分解的质量,实现强噪声背景下滚动轴承微弱故障特征准确提取。