针对旋转机械前期故障信号微弱、易被噪声淹没、故障特征难以提取的问题，提出一种聚合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）和独立成分分析（Independent Component Analysis，ICA）相结合的故障特征提取方法。首先，运用EEMD理论将振动信号分解为一系列的固有模态函数（Intrinsic Mode Function，IMF），然后根据相关系数和均方根准则选取含有原始信号多的IMF分量构造观测信号，引入虚拟噪声通道；最后，通过FastICA算法将噪声与故障特征信号进行分离，并对分离出的有用信号进行频谱分析，突显故障频率。通过仿真信号验证所提出方法的有效性，并将其应用于轴承的内外圈故障识别，与传统的EEMD-WTD降噪方法对比，结果表明：所提出的方法能提取出清晰微弱故障特征信号，对低频噪声的抑制效果明显优于EEMD-WTD方法。

针对旋转机械早期故障信号微弱，富含大量噪声的问题，提出麻雀优化算法（SSA）和随机共振（SR）相结合的微弱信号提取方法。首先，对大参数信号进行变尺度处理，使其满足SR的要求；其次，以信噪比作为目标函数，运用SSA算法优化SR模型的结构参数，利用系统的SR实现微弱信号信噪比的提高；最后，通过仿真信号验证所提出方法的有效性，并将该方法应用于轴承内圈故障和轻度磨损钻头微弱信号的提取中。结果表明：提出的方法对微弱信号的提取性能优于传统的SR模型以及PSO-SR模型，有效提高了信号信噪比，实现了故障微弱信号的提取与增强。