在现代化工、电力、制造等关系到国民经济发展的重要领域中,电机轴承的运行状况是工业系统能够正常运转的关键因素。而电机轴承运行振动信号由于获取成本低廉、故障信息含量大等优点被广泛应用在电机轴承故障诊断领域。本文以电机轴承为研究对象,将运行振动信号作为数据来源,研究了一种改进的基于振动信号的电机轴承故障诊断方法。该方法采用改进的变分模态分解算法（Variational Mode Decomposition,VMD）和信息熵分析从电机轴承运行振动信号中提取反映电机轴承早期故障的特征向量,并结合改进的多核支持向量机算法（Multi-core Support Vector Machine,MSVM）实现了不同故障种类的诊断,有效提高了电机轴承故障诊断的精度。本文主要研究工作和研究成果如下:首先,本文以经验模态分解算法（Empirical Mode Decomposition,EMD）为对比,采用变分思想构建了变分模态分解算法的理论框架和基本概念,并通过多组仿真实验证明了VMD算法在抑制端点效应、抗模态混叠、噪音鲁棒性等方面较EMD算法的优势。针对VMD算法中影响算法效果的参数难以人工确定的问题,本文利用最小分量包络熵和迭代次数构建适应度函数,实现了一种基于多种群遗传算法优化的自适应变分模态分解算法（Multi population genetic algorithm-Adaptive variational mode decomposition,MPGA-AVMD）,并利用仿真实验证明了 MPGA-AVMD算法较其他算法在性能上的提升。然后,针对振动信号中包含故障信息较为微弱不容易被提取的问题,通过引入多尺度因子对传统样本熵进行改造增强了其对于信号序列复杂度的描述精度,并结合自适应模态分解算法所得到的结果构建了一种新型的多频段多尺度样本熵作为电机轴承故障特征,为下一步故障种类的诊断提供了基础。最后,重点研究了适用于小样本训练的支持向量机（Support Vector Machine,SVM）诊断方法。针对SVM无法适用于故障类型复杂的电机轴承故障种类诊断的问题,利用多核函数思想提出了一种基于有向无环图策略的多分类支持向量机。并采用交叉粒子群算法实现了其参数的智能优化。结合自适应变分模态分解提取的多频带多尺度样本熵故障特征向量和多核支持向量机多分类器,本文构建了一种新型的基于振动信号的电机轴承故障诊断模型,并通过电机轴承故障诊断实验平台验证了该模型对于各类电机轴承故障诊断的有效性。