针对经典移不变字典学习(Shift Invariant Dictionary Learning，SIDL)中原子易受噪声干扰，影响特征提取效果，提出一种移不变增强字典学习(Shift Invariant Enhanced Dictionary Learning，SIEDL)交通机电轴承特征提取方法。首先采用SIDL学习周期冲击原子并以基尼指数(Gini Index，GI)为选择标准进行最优遴选；其次引入最大2 阶循环平稳反卷积算法(Maximum Second Order Cyclostationary Blind Deconvolution，CYCBD)对遴选原子特征强化处理；最后基于优化原子重构故障特征信号并进行包络分析。仿真信号和工程数据验证表明，SIEDL 能有效实现低信噪比条件下的交通机电轴承故障特征提取，与经典移不变字典学习、解析字典算法和自适应最大2 阶循环平稳盲解卷积等方法相比具有一定优势。

燃料电池汽车（FCV）的动力系统及噪声特性与传统汽车相比有着很大差异，其中空气辅助系统已成为主要的噪声源。虽然有源噪声控制（ANC）是近年来的研究热点；但是，由于噪声源与环境的时变性，对空辅系统的中低频段噪声更有效的对策是使用自适应有源噪声控制技术（AANC）。在归纳总结有源噪声控制技术的发展进程及基本原理的基础上，阐述近年来有源噪声控制的研究现状，并重点分析关注自适应算法的研究进展；由此对自适应有源噪声控制在燃料电池汽车空辅系统减振降噪方面的应用前景进行预测和展望。