在维修决策过程中,轴承的故障诊断是常见的流程之一。轴承检测主要应用在滚动轴承故障判别,其具体的工作状态直接影响到机器工作是否顺利进行,对维修决策起到决定性影响,因此研究滚动轴承故障诊断技术具有很大的实际意义和现实价值。本文针对故障特征提取算法和故障诊断方法进行详细的阐述,主要内容如下:针对动物迁徙方法在参数估计中存在的缺陷,利用人工鱼群算法中参数估计改进,提高其寻优能力和收敛速度,从而获得更加稳定的模型参数并提高模型识别的精度。采用经验模式分解(Empirical Mode Decomposition,EMD)方法把滚动轴承信号分为多组不同频率分布的内蕴模态函数(Intrinsic Mode Function,IMF),再取包含丰富故障信号的前5个IMF进行计算,得出峭度值并组成故障特征向量,再将故障特征向量作为改进动物迁徙识别方法的输入,对其进行工作状态和故障类型的分类。在包络样本熵的基础上对IMF峭度值进行进一步计算,将解析的目标振动信号运用EMD手段对其进行IMF峭度值分解,再将蕴含丰富故障特征的IMF求解对应的包络信号,最后通过样本熵的计算方法对信号进行有效的计算分离。将优化的包络信号内计算出样本熵组合成特征向量,再通过SVM(support vector machine)分类器进行故障分类预测。运用机器工作数据对改进动物迁徙算法以及对包络上为基础的特征信号IMF峭度值进行实验计算和SVM故障信号分类,实验信号的分析结果表明改进动物迁徙算法能够有助于故障信号分析,包络信号对样本熵的计算可以很好的将IMF丰富的故障信号提取,并有效的通过SVM将滚动轴承故障诊断。