现代生产所使用的机械设备中,旋转机械不断朝着大型、复杂、高速、自动化方向发展,这对机械设备的安全运行提出了更高的要求。当前旋转机械设备中应用最广泛的是滚动轴承设备,滚动轴承直接决定着整个系统能否正确工作和有效运行。由于传统的模式识别和特征提取方法很难对如今的非线性非平稳信号进行识别和分类,机械设备故障识别精度难以得到保障,因此深入开展滚动轴承故障信号提取和诊断技术,对降低机械设备的故障率有着重要的意义。本文的主要内容如下:（1）阐述了变分模态分解（Variational Mode Decomposition,VMD）的基本原理,针对机械设备故障振动信号的非平稳性,采用变分模态分解对机械设备故障信号进行分析处理;VMD的核心思想是不断迭代和计算样本中的最优解,以此来确定各个模态分量的最优中心频率和带宽,根据模型中的最优结果将各个分量从频域分离,只从时域角度进行分析,改善了长久以来传统模式识别中的模态混叠问题,提高了抗噪性。（2）研究了基于分形维数理论的特征提取方法,阐述了盒维数、关联维数和多重分形去趋势方法的原理和计算方法。将分形方法应用在滚动轴承故障特征提取中,通过仿真分析,验证了基于分形维数理论的特征提取方法的有效性。（3）探究了基于信息熵理论的特征提取方法,将初始振动信号进行VMD分解,然后将原始信号分解为各个变分模态分量,分别采用基于近似熵理论方法、基于样本熵理论方法和基于奇异谱熵理论的方法进行仿真,以此来表征振动信号的特点。将信息熵与传统的特征提取和模式识别方法进行对比,得到的诊断正确率更高。（4）对通过多维特征提取的各个分量构成特征向量,适合于对高维特征向量进行分类的随机森林算法和灰色关联分类器方法,利用两种方法分别对轴承正常状态、轴承内圈故障、轴承外圈故障、滚动体故障等工况进行诊断与分析,最终检测出故障工况。经实验验证,本方法能有效识别故障类型,降低机械设备的故障率,极大程度简化了故障诊断过程。