在线、实时、准确监测舰船螺旋桨推力对船-机-桨匹配设计、舰船快速性预报及推进轴系健康管理等具有重要意义。然而，受轴系振动及环境干扰等测量噪声影响，螺旋桨推力产生的微弱应变信号易被测量噪声淹没，导致难以准确测量推力。当前，一些常用的信号降噪方法，比如傅里叶变换、小波分析等均是基于纯数据降噪，未考虑测量数据中潜藏的力学机制。不同于这类降噪方法，Kalman滤波可同时考虑测量数据噪声及数据中的力学机制，对目标实现最小方差无偏估计，因而有更高的估计精度。因此，本文利用Kalman 滤波结合应变测量信号提出一种螺旋桨推力高精度、在线辨识方法。以恒定转速、变转速及低频波动转速3 种工况为例，研究了不同信噪比下本文方法的推力辨识精度与鲁棒性。研究表明，在信噪比仅为20 dB时，推力辨识最大相对误差仅为4.85 %，因此本文方法在低信噪比下仍有很高的辨识精度与鲁棒性。同时，本文提出方法属于时域辨识方法，在转速突变、螺旋桨缠绕渔网等突发工况时亦能实时跟踪推力变化，因此可用于螺旋桨推力及轴系状态的在线、实时监测。

利用噪声统计特性及局部均值分解算法(local mean decomposition, LMD)在信号分解过程中的自适应性，提出了一种新的基于LMD的自适应滤噪算法。该算法完全由数据驱动，可对信号自适应降噪，并将降噪后的信号分解为若干个瞬时频率具有物理意义的 PF (Product function)分量。重构的信号可有效提高功率谱故障诊断的性能。通过对2种非平稳信号的仿真实验及在实际运行状态下采集的旋转机械转子振动信号降噪的应用，结果表明提出的算法降噪性能优于中值降噪、均值降噪、小波降噪、EMD软阀值降噪等典型滤噪算法。该算法也可在频域有效地用于旋转机械转子故障的诊断。