随着机械制造的规模和复杂程度的增长,机械部件的稳定程度对机械整体运行的影响日益提高。而轴承作为旋转机械中不可替代的一部分,由于其特殊的构造以及工作环境等原因,故障率比较高,因此,准确的发现轴承故障位置并识别出故障类型对保证生产的可靠性和安全性具有重大的意义。论文提出了一种基于极点对称模态分解(Extreme-Point Symmetric Mode Decomposition,ESMD)和改进的引力搜索算法优化的支持向量机(Modified Gravitational Search Algorithm Support Vector Machine,MGSA-SVM)的滚动轴承故障诊断的方法。首先,在研究轴承典型故障发生机理的基础上,分析了目前轴承故障诊断技术的欠缺,提出轴承故障诊断技术的改进方案。然后,针对轴承振动信号非线性及非平稳性,提出ESMD分解振动信号方法。ESMD在继承经验模态分解(Empirical Mode Decomposition,EMD)算法的基础上,能够对信号根据频率进行分解,通过引入最优自适应全局曲线决定分解次数以及插值算法进行改进,对比仿真效果,ESMD相比于EMD算法,表现更加优秀。接着,从不同角度对振动信号所分解出的向量进行特征计算,引入样本熵、能量以及峭度三种变量,以便更加突出每个分量的特征。在故障分类中,针对支持向量机(Support Vector Machine,SVM)的核函数系数和惩罚系数采用人工指定方法无法确定最优问题,以及引力搜索算法(Gravitational Search Algorithm,GSA)存在元启发式寻优算法问题等,提出一种改进优化方法MGSA,相比于GSA和粒子群寻优(Particle Swarm Optimization,PSO)等算法在训练时间和分类准确度方面都有所提高。最后,采用Case Western Reserve University所公布的实验平台数据以及上海宝钢热轧机系统实测的振动数据进行仿真和测试实验,证明论文提出的方法能够取得准确地诊断效果。