在工程实际中,由于受到变速、变载等复杂工作环境的影响,采集到的机械设备振动信号往往具有非平稳的时变特性,且许多早期的微弱特征信息容易被强噪声等干扰成分所掩盖。因此,如何对这些动态信号进行有效分析及处理是目前故障诊断领域所面临的突出问题。时频分析是近年来非常热门的信号分析工具,它能够比较清晰地刻画频率分量随时间的变化关系,从而实现时变故障特征的提取。本文以变转速齿轮箱中的滚动轴承为研究对象,针对传统时频分析方法存在的解析快变信号能力弱、强噪声下信号特征识别困难等问题,深入研究S变换（S Transform,ST）和同步压缩变换（Synchrosqueezing Transform,SST）的数学机理,充分利用两者的优势,提出了相应的改进算法,形成了优化的同步压缩S变换,并将其拓展到多元信号处理领域,从而实现变转速下微弱时变故障特征的有效提取。本文提出的优化同步压缩S变换旨在提高对不同强时变信号处理的灵活程度,使时频谱全局始终保持较好的能量聚集性,从而更精确地刻画出信号特征。本文的主要研究内容包括以下几个方面:（1）首先对短时傅里叶变换（Short-Time Fourier Transform,STFT）、ST、广义S变换（Generalized S Transform,GST）和SST等时频分析方法进行理论描述和对比分析,然后研究同步压缩S变换（Synchrosqueezing S Transform,SSST）及其高阶算法,并通过构造仿真信号进行分析计算,表明其在机械设备故障诊断中的应用潜力,为后续提出改进算法以及实现变转速下滚动轴承故障诊断奠定基础。（2）针对传统的ST窗函数变化趋势单一,其形态无法随快变信号灵活做出调整的缺陷,本文在深入研究GST的基础上,引入改进的广义S变换（Modified Generalized S Transform,MGST）,通过采用宽度可变的高斯窗函数,并让时窗宽度与频率成正比例关系,以此来提高窗宽对时变信号的匹配程度。同时,为了进一步提高对多组分信号的时频分析能力,本文将SST算法与MGST相结合,并推导其二阶算法,提出基于改进广义S变换的二阶同步压缩变换（Second-order Synchrosqueezing Modified Generalized S Transform,SSMGST2）。最后通过将该方法应用于实验台实测数据分析和风机齿轮箱故障诊断来验证其可行性。（3）针对单通道信号提供的信息有限以及通过其所得诊断结果可靠性不足的问题,本文将二阶同步压缩S变换（Second-order Synchrosqueezing S Transform,SSST2）拓展至多元信号处理领域,提出多元二阶同步压缩S变换（Multivariate Second-order Synchrosqueezing S Transform,MSSST2）。首先利用SSST2获取各通道信号对应的瞬时相位与瞬时幅值,然后通过自适应时频分割技术将时频域划分为若干个等宽的频带,并基于多元调制振荡模型耦合各频带的特征信息,最后根据所得的多通道信号联合分析谱计算出相关多元时频系数,由此实现对所有通道信号共有特征的有效提取和能量保持。模拟信号和实验台实测数据的分析结果表明该多元时频分析算法在准确提取多通道故障特征方面具有良好的性能。