非线性系统在航空、航天、医学、电子、信息科学等众多领域广泛存在,反映其动态变化特性的非线性时间序列往往具有不可预知性、复杂性、干扰噪声多样性等特点。从非线性序列中获取系统状态信息需要从时域、频域特征等方面多角度考虑,研究特征提取方法正确判断系统健康和运行状态,为系统决策提供科学依据。本文研究非线性序列的时频特征提取方法,通过时频变换方法将一维时域序列转换为二维时频特征图像,进而引入深度学习网络自适应获取图像特征。采用带故障滚动轴承的振动信号序列和声发射信号序列作为应用实例,通过提取信号特征实现故障检测。主要研究内容包括:（1）非线性序列时频变换与特征分析。研究非线性序列时频变换分析方法,根据三种时频变换结果特征区分度、时间效率和分辨率的比较,选定具有时移不变性的连续小波变换以获取更好的特征类型分辨力;对一维信号进行连续小波变换得到数据样本的二维时频特征图;并使用一种数据窗重叠采样方法,重叠局部序列截取样本,有效扩充输入样本集,可以更好的训练神经网络模型、提高泛化能力,为下一步提取非线性序列信号时频特征提取做准备。（2）基于改进LeNet-5网络的非线性序列时频特征提取。针对传统LeNet-5神经网络模型存在的问题,提出一种改进的LeNet-5神经网络。改进包括:LeNet-5神经网络结构优化、全局平均池化层代替全连接层、激活函数的选用等,并通过分别调整batch＿size（单次训练选取的样本数）和模型学习率等来得出最佳超参数配比。实验结果表明,改进的神经网络可以提高非线性序列振动信号和声发射信号的特征提取能力和故障诊断准确率。（3）非线性序列时频特征提取与故障诊断软件的设计与开发。对前文非线性序列时频变换与特征提取方法进行集成,以Python和Pyqt5为平台设计并实现非线性序列时频特征提取与故障诊断软件系统。根据功能需求将软件系统分为登录模块、信号参数模块、时频变换与特征分析模块和模型训练与故障诊断模块。登录模块可以实现用户和管理员登陆功能,对应开放不同权限;信号参数模块实现区分信号类型和信号参数保存的功能;特征提取模块实现对输入信号的时域、频域和时频域特征图提取功能;模型训练与故障诊断模块可实现根据输入信号训练神经网络模型的功能,并根据提取到的特征实现故障诊断功能。实际测试结果表明该软件功能完备、运行稳定并具有良好的人机交互性。