滚动轴承是旋转机械中关键性元件之一,其不同状态对机械设备安全服役性能有着重大的影响。实际轴承振动信号往往呈非线性、非平稳性,因而如何从这些振动信号中提取出含丰富的故障特征信息已成为轴承故障诊断中关键问题之一。本研究以滚动轴承为研究对象,重点开展轴承故障诊断的特征提取、模式识别的研究。主要研究内容如下:（1）对比、分析经验模态分解EMD（Empirical Mode Decomposition,EMD）和变分模态分解（Variational Mode Decomposition,VMD）方法的有效性,并分析了VMD存在的问题。先通过EMD、VMD这两个方法的仿真信号分解效果的对比分析,表明VMD方法在信号处理中的优越性。然后对VMD中存在的问题进行了讨论、分析,为接下来的研究奠定了理论基础。（2）为了自适应选取VMD的参数且综合考虑故障信号周期冲击性、循环平稳性、各分量与原信号的相关性,构建了一种平均包络谱峭度结合平均样本熵优化的变分模态分解及加权合成峭度提取最优本征模态函数（Intrinsic Mode Function,IMF）的轴承故障诊断方法。首先,分别将平均包络谱峭度的倒数及平均样本熵归一化并求和。然后,以其最小值原则分别优化VMD的两个参数K及α,对信号进行VMD分解得到K个IMFs,计算各IMF的加权合成峭度,其值最大即为最优IMF。最后,进行包络谱分析判别故障类型。运用内圈故障仿真信号、凯斯西储大学轴承数据及试验信号验证了该方法的有效性。（3）为了更好地优选VMD的参数且提取轴承早期故障特征信息,并对不同故障进行准确地分类,构建了一种天牛须算法（Beetle Antennae Search,BAS）优化VMD结合布谷鸟算法（Cuckoo Search,CS）优化支持向量机（Support Vector Machine,SVM）的轴承故障诊断方法。首先以平均包络熵为BAS的适应度函数优化VMD参数,接着对信号进行VMD分解。然后以加权合成峭度最大优选IMF,对所选IMF提取故障特征并组成特征向量。最后,将其输入CS-SVM中进行故障分类。运用仿真信号和凯斯西储大学轴承数据分别验证了所提方法的可行性。