针对轴承运行环境复杂且振动信号具有非稳定性，受噪声影响较大，难以提取有效故障特征并准确诊断问题，提出一种改进变分模态分解降噪和卷积神经网络的智能诊断方法。首先利用排列熵阈值法确定VMD分解层数，对分解出的本征模态分量按照峭度准则和互相关准则重构，然后将降噪后的信号作为特征向量输入到CNN模型中训练，利用训练后的模型实现未知故障的诊断。试验结果表明，提出的方法能快速的对轴承进行故障诊断，并具有较高的准确率。

齿轮箱传动结构复杂，其出现故障时的振动信号往往含有强噪声。在强噪声背景下微弱信号的特征提取是振动信号处理领域的难题。稀疏分解方法能够自适应地提取强噪声背景下的微弱信号特征，但其在寻找最优匹配原子时计算量特别大。为加快匹配最优原子的速度，提出利用遗传算法优化匹配追踪的信号稀疏分解算法，优化后的算法大大降低了匹配追踪算法中寻找最优原子参数的计算量。齿轮故障振动信号的主要特征是调制现象，通过稀疏分解对含有噪声的信号进行降噪，然后进行频域分析，根据频域分析结果实现齿轮的故障诊断。对仿真的齿轮调制振动信号和实际采集的齿轮箱振动信号分析表明，该方法能够从含有强噪声的振动信号中快速且准确地提取出故障特征频率。

应用HHT方法对GARTEUR飞机模型模态参数进行识别，通过采用多通带滤波器对信号进行滤波，较好的解决模态混叠问题，采用NExT法对信号预处理，由EMD分解获得较准确的各阶固有模态函数分量（IMF），在EMD分解中使用镜像延拓方法对极值点进行处理来抑制端点效应，然后将分解得到的IMF分量进行希尔伯特变换并结合ITD法识别出各阶固有频率和阻尼比。最后对悬臂梁进行数值仿真模拟，并将模态参数识别结果和理论值进行对比，并运用此方法进一步识别GARTEUR飞机模型固有模态参数。

为了研究小波变换对密集工作模态参数识别效果，构建一个含有密频成分的三自由度系统，应用窄带白噪声模拟环境激励，采用改进的Morlet小波作为连续小波变换的基函数。研究发现，降低小波函数带宽可以提高频率分辨率，解耦密集模态，但同时也加剧边缘效应问题，影响参数识别精度。为此，文章采用支持向量机（SVM）小样本预测技术对信号进行延拓，先增加信号的可用长度，变换之后再截取有用部分，使得边缘效应问题得到抑制。仿真结果表明，此方法可以得到较高的识别精度。最后，通过对磨机前两阶宻频模态进行识别，验证该方法的可行性与有效性。