伴随着机车的运行速度不断提高，对机车运行的安全性和可靠性的要求越来越高。轴承作为机车走行部的主要零部件，其健康状态严重影响整个机车的安全性能。因此，对机车轴承进行故障诊断具有十分重要的意义。　　为了有效地监测机车轴承的状态和故障诊断，本文研究了基于信号模态分解的特征提取方法。主要研究内容如下：　　研究了经验模态分解（Empirical Mode Decomposition，EMD）和总体经验模态分解（Ensemble Empirical Modes Decomposition，EEMD）方法，通过数值仿真实验分析了它们的特点，EMD把信号分解成一系列简单分量，但分解得到的分量存在模态混叠现象。EEMD先将白噪声附加到原始信号中，再进行EMD分解，然后对多次分解结果求平均，较好地克服了EMD的模态混叠问题，但是引入的白噪声使得信号分解前后能量不守恒，不能实现信号的完全重构。　　为了选取表征原始信号特征信息的有用分量，研究了以相关系数为指标的主要分量选取方法。首先通过计算各分量与原始信号的相关系数，筛选出与信号相关度较高的主要分量，排除了无用分量的干扰。在此基础上，研究了一种基于频率切片小波变换（Frequency Slice Wavelet Transform，FSWT）的峭度谱分析方法。先对筛选出的有用分量进行FSWT变换，基于时频变换结果获取其峭度谱，根据峭度的谱峰值确定特征频带，较理想地提取出机车轴承的故障特征。　　为了解决EEMD的无法完全重构等问题，研究了完备总体经验模态分解方法，与峭度谱和FSWT变换共同提取信号主要特征的方法相结合。先对信号进行完备总体经验模态分解，将不同模态分量完整地分离出来，再利用分量峭度谱与FSWT提取信号的主要特征，从强噪声背景的信号中提取出了信号的故障特征频率，对机车轴承故障进行了有效识别。　　完备总体经验模态分解方法得到的分量中含有附加白噪声引起的残余噪声和虚假分量。为了解决这个问题，研究了一种改进算法，将当前残余量与局部均值的差值作为分解后的模态分量，用白噪声的模态分量代替原始白噪声，此方法避免了分解结果中的残余噪声和虚假分量，得到更接近原信号的真实分量。通过对机车轴承振动信号分析表明，改进方法提高了故障特征提取的有效性。