工业机械设备的稳定运行是确保企业生产活动正常进行的关键因素。在机械设备中,滚动轴承是应用最为广泛的零部件之一,但同时也是机械设备中的故障多发零部件。如果轴承故障得不到及时的诊断与检修,不仅使企业不能完成正常的生产任务,甚至会影响设备使用寿命,造成财产损失及人员伤亡等灾难性的后果。因此,对滚动轴承故障状态进行早期诊断十分必要,且有重大的实际应用价值及理论研究意义。目前,经验模态分解（EMD）算法和最小二乘支持向量机（LSSVM）算法被广泛应用于滚动轴承故障状态的早期诊断。EMD主要用于滚动轴承故障的特征提取,LSSVM用于对轴承不同状态进行分类识别。由于EMD在信号分解的过程中容易产生端点效应和出现虚假固有模态函数（IMF）等问题,常常导致EMD分量与信号的真实分量严重不符,并且在EMD分解的过程中还会产生模态混叠问题,严重的模态混叠会使EMD分解得到的IMF分量失去意义。此外,LSSVM中的超参数选择对最终的分类效果影响较大,仅通过人为选取容易导致分类效果不佳。针对上述问题,本文以机械设备电机滚动轴承作为研究对象,主要围绕滚动轴承故障诊断中信号特征的提取和故障状态的识别方法进行研究,在前人研究的基础上,针对EMD算法的不足,对其进行完善改进,将其改进算法（IMEEMD）和样本熵算法相结合应用于滚动轴承故障特征的提取,并通过灰狼优化算法对LSSVM超参数进行寻优,开展基于IMEEMD和LSSVM的滚动轴承故障诊断方法研究,以进一步提高滚动轴承故障诊断的准确率。主要工作具体如下:首先,本文对滚动轴承故障机理进行了分析研究。研究了轴承的结构分类、故障形式、振动机理,并对轴承的各元件的固有频率、故障频率计算方法做了简要介绍。其次,针对滚动轴承故障振动信号的非平稳态特性及传统的时频分析方法的局限性,本文着重研究分析了经验模态分解（EMD）算法,针对其存在的端点效应问题,本文采用极值平移法对镜像延拓算法进行改进,并将其应用于对EMD算法的完善改进,经仿真分析,改进的算法可以较好的抑制EMD算法分解分量的端点效应。针对EMD算法的模态混叠问题,引入了集合经验模态分解和互补集合经验模态分解算法,但这两种算法在信号的分解过程中均存在较多伪分量、计算量大等问题,对此,本文采用了一种改进的集合经验模态分解（MEEMD）算法,主要是在互补集合经验模态分解算法分解的过程中加入排列熵阀值检测,将存在噪声信号、间歇信号等异常信号的前几个模态分量首先分离出来,剩余信号利用经验模态分解算法进行分解。但MEEMD算法仍然存在端点效应问题,针对MEEMD存在的不足,将本文改进的EMD算法引入MEEMD算法,提出了一种改进的MEEMD（IMEEMD）算法。通过仿真分析评价,验证了 IMEEMD分解算法的优越性。然后,在对样本熵算法分析介绍的基础上,提出了一种IMEEMD和样本熵相结合的滚动轴承故障特征的提取方法。首先将滚动轴承不同状态的信号利用IMEEMD算法进行分解,然后分别计算各分解分量与原始振动信号序列的相关系数,将与原始信号序列相关程度最大的几个分量作为有效分量,求取其样本熵,作为振动信号的特征向量,并与IMF近似熵特征向量进行分析对比,分析表明了 IMF样本熵可以更好的表征轴承故障信号特征,进而实现了对轴承故障特征的提取。最后,针对滚动轴承故障诊断的分类识别问题,论文首先介绍了支持向量机（SVM）与最小二乘支持向量机（LSSVM）分类原理,并利用灰狼优化算法（GWO）对最小二乘支持向量机分类模型的两个超参数惩罚因子c和核函数参数σ进行优化,构建了 GWO-LSSVM分类模型。其次,本文在故障特征提取方法研究的基础上,提出了一种IMEEMD-GWO-LSSVM的故障诊断方法,为了验证本文所提方法的优越性,将本文方法分别与其它滚动轴承故障诊断方法进行试验仿真对比,结果表明本文方法具有分类时间短、故障分类准确率高的优点,能够更加准确的对滚动轴承的故障不同状态进行分类识别。