旋转机械作为现代工业中的重要生产设备,往往在工业生产中承担着关键作用,其一旦发生故障,将导致巨大的停机损失,其中旋转机械的许多停机案例都由滚动轴承失效所导致,因此对滚动轴承的状态监测和故障诊断具有重要意义。然而,传统的采样定理会导致滚动轴承故障信号采样数据量往往巨大,无法满足故障诊断需求,且其早期故障特征微弱,在强背景噪声和复杂传输路径的干扰下故障特征难以被检测,增加了故障信号提取的难度,所以如何解决数据存储和传输问题以及如何提取早期微弱故障是滚动轴承故障诊断研究的关键。因此本文基于压缩感知理论和振动分析方法提出一种滚动轴承故障诊断方法。具体研究工作如下:首先,针对传统的奈奎斯特采样定理导致的海量采样数据的问题,在压缩感知理论基础上,优化测量矩阵和稀疏基。考虑到单一稀疏基无法满足重构精度的问题,将小波稀疏基与卡尔曼滤波器相结合,提高压缩感知重构算法精度。并在等角紧框架的基础上,通过交替迭代二乘法对测量矩阵进行优化,进一步提高重构精度。其次,针对滚动轴承早期微弱故障难以提取的问题,提出一种将自回归移动平均模型和优化的多点最优最小熵反褶积结合的滚动轴承故障特征提取方法。运用自回归移动平均模型对平稳信号的预测能力,去除滚动轴承振动信号中的固有成分。利用通过麻雀搜索算法优化后的多点最优最小熵反褶积算法提取周期性冲击信号,对早期微弱故障特征进行增强。最后,针对现有时域无量纲指标无法满足高分类准确率的问题,构造一种具有周期性与冲击性的故障分类指标,并利用极限学习机分类器,区分滚动轴承的内圈、滚动体和外圈等故障类型,实现高效地滚动轴承故障诊断。