目前,旋转机械作为生产发展的主力设备得到广泛的应用。轴承作为旋转机械中不可或缺的精密元件,其工作状态是否正常,直接影响到机械的正常运行,甚至会引起生产线的中断,造成巨大的经济损失。由于轴承的工作环境恶劣,工况复杂,极易发生故障。在故障早期不能及时发现并进行处理,将会造成轴承寿命急剧缩短,影响旋转机械的效率和可靠性。根据振动信号采集分析方便的特点,本文以奇异值分解、集合经验模态分解以及支持向量机为基础,对轴承故障诊断方法进行研究,并利用美国凯斯西储大学轴承数据集对提出的诊断方法进行验证。首先对滚动轴承的机理以及失效形式进行分析,总结各失效形式产生原因,对不同元件故障特征频率进行了理论计算。运用时频分析手段对信号预处理进行研究,重点探究了奇异值分解（SVD）和集合经验模态分解算法（EEMD）,提出了改进EEMD-SVD方法对振动信号预处理。利用SVD对EEMD分解的IMF分量进行二次去噪,完成整个信号频段的重构,继而减少了噪声对振动信号诊断精度的影响。然后利用支持向量机分类模型识别轴承故障样本的类型。该模型采用对信号敏感的特征值作为输入量,对故障模式进行识别。利用提出的改进EEMD-SVD方法对轴承振动数据进行预处理。结合轴承故障特点,对信号敏感的峭度、奇异谱熵、能量熵以及模糊熵进行分析提取,将这四种特征值作为支持向量机的输入向量对SVM模型进行训练,完成故障类型分类。分别应用遗传算法、粒子群算法以及改进鲸鱼算法对SVM分类器进行优化,并以得到的分类准确率作为判断三种算法优化的SVM分类器性能的目标函数。研究表明,改进鲸鱼算法优化后的支持向量机模型对于十种轴承状态的分类准确率达到98.67%,明显高于其它两种算法优化的SVM。最后基于MATLAB软件设计了一款轴承故障诊断平台,将以上时频域分析、集合经验模态分解算法以及SVM分类算法融入到软件设计中。软件实现了人机友好界面,方便了用户对采集到的振动数据进行计算分析,且可以利用软件平台完成对轴承故障类型的识别。