电机是制造业中的主要驱动设备,在工业生产中发挥重要作用。轴承作为电机核心部件,其健康状况与电机的可靠运行密切相关。为解决电机轴承故障较难诊断问题,本文分别从特征提取和故障识别两个方面展开研究,采用寻优算法进行参数自适应选取,构造电机轴承故障诊断方案。主要研究内容如下:针对鲸鱼算法易陷入局部最优问题,提出精英反向学习初始化种群和t分布变异扰动最优个体的双重改进策略,构造改进的鲸鱼算法（Improved Whale Optimization Algorithm,IWOA）。函数寻优试验表明IWOA寻优精度和稳定性优于其他群智能算法。针对以往广义S变换的调节参数选取过于依赖经验问题,引入时频聚集度作为目标函数,采用IWOA进行寻优,构造最优广义S变换。仿真试验表明最优广义S变换相比广义S变换具有更好的时频聚集性能。针对以往寻优算法对支持向量机（Support Vector Machine,SVM）惩罚因子与核参数的寻优精度较低问题,采用IWOA进行寻优,构造IWOA-SVM分类算法,分类试验表明IWOA-SVM分类准确率优于其他常见SVM算法。以轴承通用数据集作为诊断实例,将最优广义S变换、奇异值分解及信息熵理论相结合,提出基于最优广义S变换奇异熵的特征提取方法,并与IWOA-SVM分类算法组合为电机轴承故障诊断方案。在特征样本维数只有3、训练样本较少的情况下,本文方案平均诊断准确率依然可以高达99.72%。搭建了基于LabVIEW和MATLAB的电机轴承故障诊断系统,并使用该系统进行现场诊断,对本文提出的诊断方案进行二次验证。结果表明本文方案在未添加噪声和添加5 d B高斯白噪声情况下的平均诊断准确率分别为97.58%和88.69%,具有较好的抗噪能力。对比试验表明最优广义S变换奇异熵的特征提取能力优于小波包能量、集合经验模态分解,IWOA-SVM故障识别准确率优于BP神经网络。