在旋转机械设备状态监测及故障诊断研究中,特征提取和模式识别方法的优劣会直接影响故障诊断的可靠性和准确性,是旋转机械故障诊断的核心问题。作为旋转机械的重要组成部分,转子性能的优劣直接影响旋转机械整体运行状态。本文采用基于负熵的Fast ICA方法和基于最大信噪比的盲源分离方法,通过两种盲源分离方法(BSS)对转子系统故障特征提取问题开展了相关研究工作。本文在研究源信号与阵列加速度传感器之的关系的基础上,分析了四种典型的转子故障机理,并根据振动信号的统计特性建立了盲源分离数学模型。针对平稳信号特征混叠现象,应用了基于负熵的FastICA算法。该方法采用最大负熵迭代原理,通过非高斯性最大的评判标准,建立了目标函数。实验证明,基于负熵的FastICA信号分离波形、幅值与源信号基本吻合,主频率得到准确恢复,实现了三阶收敛并提升了其收敛速度,相关分析结果为0.9767。为了提高时变非平稳信号的盲源分离精度,降低分离信号的信息冗余度。本文提出了基于最大信噪比的盲源分离方法,以最大信噪比函数为代价函数,可使串音误差曲线迅速收敛并趋于稳定。应用该方法结合阶次分析技术对转子振动信号进行了分离实验,实现了混合信号阶次谱分离,得到了转子振动信号阶次谱图和噪声信号阶次谱图,准确地提取了转子故障特征。结合BK数据采集装置,构建了转子故障检测系统,可模拟转子在实际工作中的运行状态,满足了信号盲源分离测试分析要求。