近年来,随着智能制造战略的大力推广,机械设备越来越广泛的应用于石油化工、航空航天等重大领域,并变得更加智能化和精密化,而滚动轴承作为旋转机器中的关键部件,总是处于长时间的高速运转状态下,极容易发生故障或者损坏,从而使整个机械设备存在安全隐患。因此,如何利用智能化方法对滚动轴承进行有效的健康管理,是众多学者研究的热点课题。本文主要围绕滚动轴承的振动信号的分析与处理,通过不同的实验数据,对滚动轴承的故障类型进行判断以及健康状态进行划分,主要研究内容如下:（1）首先,针对滚动轴承在运转过程中所产生的振动信号经常掺杂着大量的背景噪声,从而影响有效成分的提取,本文采用飞鼠搜索算法（SSA）寻优变分模态分解（VMD）中分解层数k与惩罚因子α的最优取值,形成了自适应的VMD信号分解方法,进而,针对多域故障特征集的维度过高问题,利用核主成分分析法（KPCA）对其进行了特征降维。（2）其次,根据两种多分类支持向量机（SVM）的特点,权衡利弊,选择一对一策略支持向量机作为本文的分类器,进而构建了基于SSA-SVM的滚动轴承健康管理模型,其中健康状态评估模型中依据经过余弦相似度计算后的均方根值并融入3σ报警阈值,进行了不同健康状态样本划分。（3）最后,利用凯斯西储大学和辛辛那提大学实测的滚动轴承振动信号数据,对前文所构建的模型进行实例验证,在信号分解方面,将自适应VMD与GA-VMD、PSO-VMD进行了对比,体现了其在信号分解降噪上的优势;在故障诊断和健康状态评估方面,将SSA-SVM与未优化的SVM、PSO-SVM等模型进行了对比,体现了其在计算时间、准确率方面的优势所在。