同步提取变换(Synchroextracting Transform，SET)处理强干扰信号分量时缺乏自适应性而易发生频率模糊，导致难以精确提取快速波动的瞬时频率。针对此问题，结合自适应调频模式分解(Adaptive Chirp Mode Decomposition，ACMD)的自适应先验信息和贪婪算法的优势，将ACMD引入到SET 中，构造一种两级ACMD-SET故障诊断方法。在提出的方法中，将基于基尼指数(Gini Index，GI)最大化准则的分量选择重组算法和第一级ACMD结合，提取出强干扰下的多模态故障脉冲信号的模式。然后，利用SET对第二级ACMD分离出的时变频率故障特征进行高精度的时频表示。将此方法应用到仿真调频-调幅信号中，得到高分辨率的故障特征，方法的有效性得到验证。最后，将所提方法应用于航空发动机高速滚动轴承的振动信号分析中，结果表明，所提方法能有效地提取高速滚动轴承振动信号的时变故障特征频率，其结果明显优于SET方法。

将四线性平行因子和集合经验模态分解(Ensemble Empirical Mode Decomposition，EEMD)结合，提出基于EEMD的四线性平行因子欠定盲源分离方法。在所提出的方法中，利用EEMD方法分解观测信号，得到各子信号分量，然后选择有效的相关子分量信号并将相关子分量信号与原观测信号进行重新组合，得到新的观测信号，解决欠定盲分离问题。然后，将新观测信号利用四线性交替最小二乘法迭代(Quadrilinear Alternating Least Squares，QALS)进行拟合得到载荷矩阵估计和混合矩阵估计，用最短路径法得到源信号的估计。仿真和实验结果验证了所提方法的有效性。

提出了一种基于Volterra级数和核函数主元分析（KPCA）的故障诊断方法。在提出的方法中，首先利用量子粒子群优化（QPSO）算法辨识出正常、转子裂纹、转子碰摩、基座松动四种状态下的Volterra级数，然后将Volterra核函数作为特征向量输入到KPCA进行训练识别。实验结果表明，提出的方法是有效的，在只考虑一阶Volterra核不能进行很好地识别时，可以从二阶、三阶Volterra核上来区分。

Bandelet变换是一种基于边缘的图像表示方法，能自适应地跟踪图像的几何正则方向。本文中首先用小波去噪方法对带噪声的金属断口图像进行预处理，利用软阀值函数获得阀值T，进而获取去噪后图像的四叉树结构，并沿Bandelet块的最佳几何方向进行曲波变换，最后利用SUREShink 计算各Bandelet块的自适应阈值,然后采用多层软阈值去除噪声,进行Bandelet逆变换重构图像。实验表明同传统的小波子带多阈值去噪法相比, 该算法不仅提高了去噪后图像的峰值信噪比(PSNR),而且具有更强的边缘保持能力。

提出一种基于变分贝叶斯独立分量分析的故障源盲分离方法，该方法可直接对噪声干扰的机械源信号进行有效分离,即不需要将未知噪声看成一种独立源，也不需要进行消噪预处理。并将该方法与传统的机械源分离方法进行对比实验,实验结果表明该方法是非常有效的。

论述了分数倒谱的定义和算法，提出了一种基于分数倒谱的机械故障诊断方法。并与倒谱分析方法进行对比分析。实验研究表明，分数倒谱优于传统的倒频谱分析方法，分数倒谱能有效抑制干扰，提高图谱质量。