随着电机在现代工业中的应用越来越广泛,电机的稳定运行成为了工业正常运作的关键条件,由于电机内部结构复杂且电机受环境因素影响较大,这使得传统的电机故障诊断方法无法准确的从电机运行的原始数据中获得电机的故障特征,从而使得电机故障诊断结果不准确。随着人工智能方法的发展,可以利用先进的信号处理方法更准确地进行电机故障诊断。本文主要研究工作如下:首先对电机故障进行理论研究,分析电机故障的种类和特征。机械类故障主要引起振动信号产生谐波分量,电气类故障主要引起电流信号变化。其次,针对传统经验模态分解（Empirical Mode Decomposition,EMD）方法容易出现模态混叠和端点效应的问题,提出用变分模态分解（Variational Mode Decomposition,VMD）的方法来对电机轴承故障进行研究。由于VMD分解数量K值必须人为选取,提出用粒子群算法（Particle Swarm Optimization,PSO）优化VMD来确定最佳模态分解数量和惩罚因子参数的方法。通过VMD和传统EMD的IMF进行时域和频域的仿真实验对比,结果表明利用VMD进行电机轴承故障特征提取的效果更好。结合小波包能量熵理论提出了一种基于VMD能量熵的轴承健康状态辨识方法,对电机轴承不同磨损程度在不同工况下进行量化分析。然后,针对单一时域特征包含信息有限而导致传统SVM分类准确率不高的问题,提出基于时域特征和VMD能量熵特征相融合的特征提取方法进行SVM分类,实现对电机轴承的故障情况分类识别。针对SVM核函数参数与惩罚因子参数需要凭借经验和实验选取问题,提出采用改进的鲸鱼优化算法（Whale Optimization Algorithm,WOA）对SVM核函数参数与惩罚因子的取值进行优化,提高SVM的诊断效果。最后,搭建了异步电机故障诊断系统平台,通过模拟电机轴承内圈故障、外圈故障以及保持架故障,利用数据工控机采集电机正常和故障运行状态的振动信号,制作了人机交互的数据采集显示界面;然后使用实验数据验证改进后的WOA-SVM模型对电机运行状态的故障诊断的可行性。