针对强噪声背景下滚动轴承的微弱故障特征难以提取的问题，提出一种融合正余弦和柯西变异的麻雀搜索算法(Sine - cosine and Cauchy Mutation Sparrow Search Algorithm，SCSSA)优化变分模态分解(Variational Modal Decomposition，VMD)联合最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution，MCKD)的滚动轴承特征提取方法。首先，将样本熵、峭度值和相关系数相结合构建复合指标—CSK，以CSK最小值为准则，自适应选取VMD的模态个数和惩罚因子；然后，根据峭度最大值原则筛选最优模态分量；最后，以包络谱熵为适应度函数，通过SCSSA优化的MCKD对最优模态分量进行增强并提取轴承特征频率。经过公开数据集和轴承实测数据验证：所提方法可以在强噪声背景下有效提取滚动轴承的微弱故障特征，完成故障类型的判别。

针对在进行复杂工业设备滚动轴承故障诊断时，由于强噪声影响使故障微弱瞬态冲击特征难以识别的问题，提出一种基于平方包络谱逐次变分模态分解的机械故障诊断方法。首先在变分模态分解的基础上进行逐次变分模态分解推导，降低模态混叠现象和计算复杂度。其次利用峭度指数和互相关系数的加权值构造相关峭度，通过筛选所得分量得到真实的故障模态成分。通过平方包络谱凸显信号瞬态冲击信息并进行特征提取。最后通过实验室平台采集轴承振动数据进行验证分析，实验结果表明：采用所提方法能准确识别周期性瞬态冲击，有效提取微弱特征，提高对复杂机器进行故障诊断的准确性和效率.