机械振动信号中包含了大量的与设备状况密切相关的有用信息，对现代机械设备的实时监控、诊断以及预警都有着十分重大的现实意义。实际工业现场采集的振动信号通常具有非线性非平稳的特征，传统的信号分析方法对此类信号进行处理一般难以取得理想效果，因此如何快速准确的从复杂信号中提取故障特征长期以来一直是机械故障诊断的一个热点，同时也是一个难点。变模式分解是近来提出的以维纳滤波、Hilbert变换和解析信号等理论为基础的一种新方法，本文尝试着将其应用于机械信号的处理，以此来判断轴承的运行状况，实现轴承的故障诊断。论文主要研究内容如下：　　(1)在对变模式分解算法原理进行了阐述和分析的基础上，通过选用不同类型的仿真信号对变模式的分解能力进行了探究验证并与EMD的分解结果进行了对比。由于变模式的分解数目需要人为确定，因此通过实验分析讨论了分解数目对分解的影响。　　(2)由于最大相关峭度反卷积在抑制噪声、提取周期性冲击脉冲上有着明显效果，为了有效提取振动信号的故障特征，本文将最大相关峭度反卷积和变模式分解进行了有效结合。在通过VMD分解将信号分解为若干分量后，通过峭度值选取冲击成分较多的分量进行重构，摒弃不关注的成分，然后用最大相关峭度反卷积方法对重构后信号进行处理，充分利用故障信号的周期性来提取故障特征。最后对轴承的实测数据进行实验证明了该方法的有效性。　　(3)本文提出了利用VMD来对信号进行降噪，该方法通过对VMD分解得到若干分量，考虑到自相关函数能够凸显振动信号以及相应分量的周期性，增强真实分量和虚假分量间的差异性，因此对各分量和原信号求取其自相关函数，之后求取各分量自相关函数和原信号自相关函数的相似系数，以相似系数作为判断依据来对分量进行取舍，以此来选择分量重构进而达到降噪的目的。仿真实验对比了本文方法和相应 EMD方法的降噪效果，同时对实测数据设计了直接形态滤波和利用本文方法降噪后形态滤波作为对比来验证了VMD降噪的有效性。　　(4)通过变模式分解构建奇异特征向量并与支持向量机相结合来对滚动轴承的状态进行识别。由于矩阵奇异值的特殊属性，因此在振动信号中引入奇异值，但这样一个过程涉及到矩阵的构建。考虑到变模式分解能够得到若干分量，于是将所得分量排列构建初始特征向量矩阵来计算奇异值，进而构建奇异值特征向量并将其作为支持向量机的输入来识别轴承故障类型，通过选取的不同类型轴承故障信号进行分类实验，最终分类所得较高的识别准确率说明了所提出的方法能有效识别滚动轴承的状态。