滑动轴承是汽轮机等大型旋转机械的重要支撑部件，其理想工作状态是流体润滑状态，但是由于载荷重，工作环境复杂，很容易发生润滑故障，尤其在半干摩擦的初发阶段，油膜的减振作用使得通过振动信号很难检测。相比振动信号，声发射信号能迅速反应运行状态的变化，更适合早期故障的检测，本文将经验模态分解(Empirical Mode Decomposition,简称EMD)和灰色关联分析相结合用于滑动轴承润滑状态诊断。　　EMD是一种自适应分解方法，为更有效地进行滑动轴承声发射信号特征提取，选择精度和速度均比较好的镜像延拓法来抑制 EMD端点效应，利用相关系数法剔除虚假分量，通过对仿真信号处理的对比结果证明所采用方法的有效性。利用该方法结合希尔伯特变换对310MW汽轮发电机组滑动轴承现场声发射信号进行处理，获得可以反映声发射信号幅频特性的局部边际谱，根据局部边际谱可以简单判断润滑状态是否正常。通过总结润滑状态劣化过程中频带能量分布变化规律，为基于能量分布的特征参数的提取提供依据。　　鉴于不同润滑状态下声发射信号的时域特征参数无明显变化规律，将EMD方法和时域特征参数结合，通过对比，挑选出对润滑状态比较敏感的IMF分量的时域特征参数，结合时域特征参数的物理意义分析润滑状态劣化过程中这些特征参数的变化规律。另外，将EMD方法和能量指标结合，对比不同润滑状态下IMF分量的能量占比和IMF能量熵的变化规律，确定以IMF能量占比和IMF能量熵共同构造表征润滑状态的特征向量。　　针对传统灰色关联分析分辨系数主观静态取值和未考虑指标权重等问题，通过分析分辨系数对关联系数的影响，确定了分辨系数的动态选取原则，并采用熵值法确定各指标的客观权重，建立基于改进型灰色关联分析的滑动轴承润滑状态诊断模型。对传统方法和改进方法的诊断效果进行对比，结果表明改进型灰色关联分析不管在识别精度还是识别准度上都优于传统灰色关联分析。