滚动轴承是机械系统运行过程中的关键零部件之一,其应用范围极其广泛,且工作环境非常复杂,同时也是一种故障高频发生的部件。滚动轴承故障一旦萌生便容易迅速发展并恶化,若不能对故障做出快速准确地判断,并及时采取补救措施,将会影响到其他零部件的正常运行,甚至导致整个系统的瘫痪。正因如此,在运行中对滚动轴承进行实时监测和在线诊断一直都是领域研究的热点问题。滚动轴承发生故障时会产生周期性的冲击振动,借助有效的信号处理技术可以从振动信号中快速提取出轴承的故障特征,这也是实现滚动轴承实时监测和在线诊断的关键所在。然而,由于滚动轴承实际运行工况复杂,传感器采集到的信号中往往会混入大量背景噪声和干扰成分,使得表征轴承故障的冲击信号被淹没而无法识别,这很大程度上影响了轴承实时监测和在线诊断的效果。针对以上问题,本论文在强噪声、大干扰的复杂背景下,对滚动轴承早期故障特征的快速提取方法进行了系统研究,在信号快速降噪、能量算子解调、特征频率提取等方面提出了以下三种解决方案。（1）针对滚动轴承运行环境噪声严重、故障信号解调和特征提取困难的问题,本文提出了一种基于快速非局部均值滤波（IFNLM）和对称高阶差分解析能量算子（SHOAEO）的解决方法。首先,通过对相似度衡量标准和核函数的优化,得到了一种改进的快速非局部均值滤波（IFNLM）算法,在其算法过程中,对于任意两个相似结构块距离的加权平均计算仅需进行一次。采用该方法对原始信号进行降噪预处理,可以在提高算法降噪准确性的同时降低计算的复杂度。其次,在解析能量算子（AEO）的基础上,借鉴高阶差分和对称差分思想,提出了对称高阶差分解析能量算子（SHO-AEO）,并用来对降噪后的信号进行解调处理,并从其能量谱中识别出轴承故障的特征频率。随后,采用仿真信号和实验数据验证了IFNLM-SHOAEO方法的可行性和优越性。（2）针对滚动轴承在工作环境噪声和振动干扰并存的复杂背景下故障特征提取困难的问题,引入了一种新的快速模态分解方法——硬阈值快速迭代滤波（HTFIF）,它将原始复合信号快速地分解成一组具有单一分量的本征模态函数（IMF）;然后开发了一种考虑到信号本身特点和统计特性的综合指标L-KCA,用以选择敏感IMF;并通过在信号中使用间隔为k的三个采样点来改进对称差分序列,得到了一种k值改进的对称差分解析能量算子（k-SDAEO）来对敏感IMF进行解调,进而从其能量谱中识别出轴承故障特征频率。同样,也利用仿真模拟和实验数据验证了HTFIF-k-SDAEO方法的优越性及可行性。（3）针对滚动轴承早期微弱故障提取问题,首先采用了上面的HTFIF算法将轴承振动信号分解为一系列IMF并根据L-KCA值进行加权重构,预先滤除了部分干扰;之后构建了SOSO＿IFNLM增强滤波结构,在去除大量噪声的同时保持了原始振动信号的平滑性,增强了故障冲击特征;最后将对称高阶思想融入到频率加权能量算子技术中,提出了对称高阶频率加权能量算子（SHFWEO）,它在对降噪后的信号解调处理的同时提高了信号的信干比（SIR）。仿真模拟和全寿命周期加速实验也验证了HTFIFSOSO＿IFNLM-SHFWEO方法对复杂工况下早期微弱故障的提取的有效性和可行性。最后,本文以SDM00型振动筛为例,将前文中所提出的三种故障特征提取方法在振动机械故障诊断中进行了应用研究,并以此振动筛为依托对以上三种方法和所提三种能量算子进行了比较和评价,指出了在实际应用中,“提纯”和解调步骤的方法,可以根据具体情况优化匹配,为滚动轴承故障诊断提供最佳方案。