滚动轴承是各种旋转机械设备中应用最为广泛的一种通用机械元件,它的运行状态是否正常往往直接影响着整台机械设备的运行,所以深入研究滚动轴承故障诊断技术对整台机器设备的安全运行至关重要,对有效避免事故的发生具有重大意义。论文采用支持向量机的分类模型,设计了一种基于集成经验模态分解、遗传算法、支持向量机的滚动轴承故障诊断方法,此方法在一定程度上提高了滚动轴承故障诊断的分类准确率。在滚动轴承的特征提取部分,采用集成经验模态分解法与阈值降噪技术对特征提取过程中存在的噪声问题以及模态混叠问题进行抑制,在原有的基础上论文提出了改进的集成经验模态分解法,该方法提取了更多的有用信息,有利于提高滚动轴承故障诊断准确率。在滚动轴承的特征值选择部分,采用聚类图对能量熵、样本熵、排列熵和峭度四种特征值进行对比,最后选出聚类效果最好的能量熵作为滚动轴承故障诊断模型的输入向量。在滚动轴承的状态识别部分,采用遗传算法和粒子群算法对支持向量机的参数进行优化,构建出两种滚动轴承故障分类模型,通过对比两种分类模型,则选择适应度较高的遗传算法优化支持向量机的参数。将滚动轴承的振动信号作为论文的研究对象,把改进后的集成经验模态分解法与优化后的支持向量机结合构建出一种分类模型,通过选择聚类性较好的特征值作为该模型的输入向量,此方法实现了滚动轴承较高的诊断准确率。