旋转机械设备是工业生产中的关键设备，它的运行状态关系着企业的安全生产和经济效益，因此，对其进行状态监测与故障诊断有重要的意义。旋转机械设备发生故障时，会产生异常振动。它的振动信号中含有丰富的机器信息，因而对其振动信号进行分析，进而判断故障类型是一种行之有效的方法。旋转机械故障振动信号大多数都是非线性、非平稳的，传统的信号分析方法已经不能满足故障振动信号处理的要求，因此，有必要选择恰当的适合非线性、非平稳信号分析的信号处理方法。时频分析方法能够同时提供振动信号时域和频域的信息，因而被广泛应用于旋转机械故障诊断中。本文介绍了常用的时频分析方法，如短时傅里叶变换、Wigner-Ville分布、小波变换等。这几种方法对于处理非线性、非平稳的振动信号都存在一定的缺点和不足。Huang提出的自适应时频分析方法Hilbert-Huang变换对于处理非线性、非平稳的信号处理效果较传统的时频分析方法更能凸显信号的局部特征。但Hilbert-Huang变换中的经验模式分解存在模态混叠的问题，Huang又提出了一种噪声辅助分析的方法——总体平均经验模式分解，简称为EEMD。本文主要研究基于EEMD的旋转机械故障诊断方法，首先对EEMD算法原理进行深入研究，并对其抗模态混叠性能进行分析。针对EEMD算法中参数设置问题，提出了加入白噪声的能量标准差法。同时采用基于相关系数的方法来提取有效本征模式分量，有效去除了EEMD分解过程中产生的虚假模式分量。本文还研究了旋转机械两个重要元件滚动轴承和齿轮的故障振动机理及故障信号特征。根据滚动轴承、齿轮的故障模型，模拟仿真验证了算法的有效性。并对实际的滚动轴承和齿轮振动信号应用改进EEMD算法进行处理，同时应用基于改进EEMD算法的包络谱分析方法及计算本征模式分量奇异值熵的方法进行故障诊断仿真。并基于MATLAB设计时频谱图分析方法以及改进EEMD算法诊断系统界面，可以对结果更直观的进行观察、分析。