随着社会的发展,科学技术的不断进步,机械设备不断朝着体积大型化、结构复杂化、精密程度日益精密的方向发展。机械设备发生故障可能会造成严重的经济损失和人员伤亡,如果能够及时的对机械设备故障进行诊断,并且有效的降低因故障引起的严重后果,则企业会避免出现严重的经济损失及人员伤亡情况。滚动轴承作为机械设备的重要部件,被人们形象的称为机械的关节,机械设备故障主要是由滚动轴承故障引起的,所以研究滚动轴承故障诊断方法具有重要意义。机械设备在运转的过程中产生的振动信号中包含了丰富的故障信息,对采集到的振动信号进行分析和处理以获取设备运行的状态,进而判断机械设备及其零部件是否发生故障。时频分析方法作为机械设备故障特征提取常用的一种分析工具,被广泛的应用到故障特征提取中。本文利用局部均值分解方法(Local mean decomposition,LMD),结合自回归模型(Auto regressive,AR)及最小熵解卷积(Minimum entropy deconvolution,MED)实现对滚动轴承故障的诊断。主要研究内容包括:首先,对传统的时频分析方法进行阐述,指出了传统时频分析法存在的缺陷,通过对LMD方法和经验模式分解(Empirical mode decomposition,EMD)方法的仿真信号进行对比,结果表明LMD方法在减少迭代次数、抑制端点效应及分解后的残余余量上都明显优于EMD,并针对LMD方法存在的端点效应问题进行改进。其次,针对滚动轴承早期微弱故障,采集到的振动信号中故障特征信息不明显,通常会被噪声及其他固有成分所淹没,对提取故障特征信息造成影响,所以提出了采用AR-MED对振动信号中的固有成分及噪声进行处理,在确定AR模型最优阶数时采用基于最大峭度准则进行确定,通过仿真分析研究影响MED性能的三个主要因素。最后,采用仿真分析及实例分析对提出的基于AR-MED和LMD应用在滚动轴承故障诊断中进行验证。首先利用模拟信号验证该方法的有效性,接着采用美国西储大学电气工程实验室轴承故障诊断设备采集到的实验数据进行实例分析,利用本文提出的方法对滚动轴承的内圈及外圈进行故障诊断,诊断结果表明本文提出方法的有效性。该方法对滚动轴承故障诊断具有一定的参考价值。