振动健康检测技术的核心关键算法是信号的多模态识别算法，如何使多模态分解技术获得更准确、稳定、可靠的模态参数对公共安全监测领域具有十分重要的意义和良好的应用价值。而且模态分解研究领域的未来科学研究趋势是要求获取一种高鲁棒性、高适应性以及高精度的模态参数提取方法，而能否有效降低模态混叠，能否有效分离模态以及减少模态之间的相关性是振动信号检测算法的核心研究课题。流形学习是近期逐步发展起来的新型降维理论，是各种聚类识别算法的核心理论。以流形学习为核心的聚类算法（如谱聚类）能够对较复杂分布的数据点进行有效聚类，获得优异的聚类效果。然而流形学习在最近邻子空间形态与规模选择、学习算法的泛化能力、噪声的抵抗等方面还有待进一步研究。针对于此，本文主要从粒子群优化搜索的角度研究新型多模态参数识别方法，力图避免和改进传统算法的缺陷。首先以振动信号模态函数为核函数对振动信号进行核变换获得高维空间，构建以模态函数为核函数扩张而成的高维空间性质和振动模态子流行空间性质，这样有利于流形学习算法的顺利进行。其次引进粒子群优化搜索算法，构建恰当的学习评估函数来进行低维模态子空间模板的最优匹配，直接对高维流形空间进行最优化搜索其中存在的有效局部低维子空间，着重解决子空间搜索、子空间本征维度选择、以及学习算法本身等存在的不足，确保算法的高效性，鲁棒性，具备较强的泛化能力。从信号的较宏观层面进行模态分离，即把信号映射到高维空间后，运用流形学习算法进行较大邻域范围内的局部子流形最优化搜索，在投影过程中注重整个模态成分的宏观特性，从而提高算法的噪声抵抗能力，增强算法的鲁棒性。最后用于振动信号的模态参数提取中进行验证，主要在招宝山大桥拉索上进行振动检测，实验测试表明算法具有很高精确性性、稳定性和可靠性。综上所述，本文通过引入粒子群最优化技术改进获得最优化流形学习算法，构建一种有效的振动模态分离理论与算法，其中以振动模态函数为核函数，把多模态振动信号投影到高维空间，然后应用粒子群最优化算法改进流形学习，有效解决了密集模态参数识别问题。用流形学习和最优化搜索算法寻找高维空间中的多个局部低维子空间，有效补充了流形学习自身存在的不足，从而实现模态之间的分离，最终获取多模态参数。仿真测试和实际工程应用测试证实了本文算法的有效性和可靠性。