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。