旋转机械作为广泛使用的生产机械,在石化、冶金、铁路等行业扮演着重要的角色,研究旋转机械故障特征提取技术对于保障机械设备运行的可靠性具有重要的现实意义。由于旋转机械恶劣的工作环境及设备内部各零部件之间相互耦合的关系,故障特征极易被淹没。因此,强噪声背景下如何准确有效地提取故障特征是旋转机械故障诊断领域研究不懈追求的目标。本论文以旋转机械为对象,开展了故障特征提取的系列方法研究,具体为:强噪声背景下,旋转机械振动信号通常呈现非线性和非平稳性,采集值通常会偏离真实值,为后续分析带来困难。针对此类问题,提出一种一层核回归残余分解增强同步提取变换的故障特征提取方法。该方法利用一层核回归残余分解从原始振动信号中提取包含故障信息的高频信号,进而利用同步提取变换对高频信号消噪,最后利用希尔伯特包络解调出故障特征频率。针对传统时频方法如经验模式分解、局部均值分解和固有时间尺度分解等在信号分解过程中存在的问题,如模态混叠、端点效应、信号突变和信号失真等,提出一种基于核回归残余信号的优化固有时间尺度分解故障特征提取方法。将该方法应用于故障轴承和齿轮,结果表明该方法克服传统时频方法不足的同时取得了满意的故障特征提取效果。针对故障诊断中信号分解分量选取依赖经验的问题,引入峭度指标并提出了基于变分模式分解、峭度指标和最小熵解卷积的故障特征提取方法。该方法利用峭度指标选取包含故障信息的最优分解分量,进而利用最小熵解卷积增强其周期性冲击特征,成功地实现了对旋转机械故障的可靠识别。针对变分模态分解在故障特征提取方面的不足,引入自回归模型并提出一种自回归模型增强变分模态分解的旋转机械故障特征提取方法。该方法利用变分模态分解将原始信号分解为一系列包含故障信息的旋转分量,然后对每个分解分量应用自回归模型作进一步提纯。通过工程应用实现了旋转机械中关键零部件故障的准确诊断,且较传统的变分模态分解拥有更高的准确度。