针对工业环境中随机冲击干扰下滚动轴承微弱故障特征提取难题，提出一种基于自适应短时维纳滤波（Adaptive Short Time Wiener Filtering，ASTWF ）和改进正交匹配追踪（ Orthogonal Matching Pursuit，OMP ）的滚动轴承故障特征提取方法。该方法首先采用包络峭度和随余比( Random Shocks and Margin Ratio，RMR)作为联合判据，界定窗长界限并自适应确定STWF最优窗长参数，进而将随机冲击干扰从测试信号中分离出来；然后，利用立方包络自相关谱估计信号中周期频率，构造周期原子库，降低匹配原子冗余度；最后，利用相似性理论优化匹配追踪迭代终止条件，并结合周期原子库，实现弱故障冲击特征快速、准确提取。根据仿真信号和通过变速箱下线检测所得工程数据，可验证所提出方法可有效识别随机冲击干扰下的滚动轴承微弱故障特征。对比最小熵形态反卷积( Minimum EntropyMorphological Deconvolution，MEMD )方法对于随机冲击干扰下滚动轴承微弱故障特征提取效果，发现所提出方法具有更好的故障特征提取能力；与经典OMP方法相比，所提出改进OMP方法信号重构速度提升66 %。

针对强背景噪声下无法获取滚动轴承故障特征的问题，提出一种基于最优尺度增强形态滤波器（Optimal Scale Enhanced Morphological Filter，OEMF）的滚动轴承故障特征提取方法。首先，构建一种增强差分积形态滤波算子（Enhanced Different Product Operation，EDPO）与直线型结构元素（Structuring Element，SE）相结合的增强形态滤波器；其次，构建冲击自相关度（Degree of Impact Autocorrelation，DIA）作为选取最优尺度的评判指标，并与传统的峭度（Kurtosis）指标进行比较。最后，将所提方法应用于仿真信号和牵引电机轴承故障信号中进行实验验证。结果表明，所提方法与集成经验模式分解（Ensemble Empirical Mode Decomposition，EEMD）方法相比具有更好的降噪效果，且在去除噪声干扰方面具有更好鲁棒性。