滚动轴承是旋转机械中的关键部件,其运行状态直接影响旋转机械的稳定性和安全性,工作时出现故障,若未及时发现和干预,轻则影响旋转机械的正常工作,重则导致设备重大故障、造成巨大经济损失或危及人身安全。因此,及时诊断出轴承故障既有理论意义又有实际价值,为此开展针对滚动轴承的故障诊断,主要研究内容如下:（1）对课题背景、国内外故障诊断技术方法、模态分解发展现状详细介绍,对滚动轴承的基本机构、失效形式、特征频率表示和建立的故障冲击模型进行分析,同时深入研究EMD、VMD等方法和模态混叠现象,指出VMD抑制模态混叠现象的能力优于传统算法的同时总结其存在的问题,为后续故障诊断内容提供理论基础。（2）本文以滚动轴承为故障诊断方法的研究对象,针对VMD方法关键参数的预设问题,提出基于乌燕鸥算法优化变分模态分解（STOA-VMD）和粒子群算法优化支持向量机（PSO-SVM）的滚动轴承故障诊断模型。利用STOA优化后可得出VMD预设的参数值,随后分解信号,将均方根熵值ERMS定为故障特征的参量,输入PSO-SVM实现故障识别。通过对西储大学实验数据和本校实验室实测信号的对比分析,既验证了STOA-VMD相较于传统的VMD分解效果有所提高,也验证了所提故障诊断方法的有效性,但对于环境存在较重噪声干扰的情况,此方法仍需改进。（3）针对轴承故障特征被噪声干扰,表示故障冲击的成分不明显导致滚动轴承的故障识别准确率低的问题,提出基于最大相关峭度解卷积（MCKD）和VMD的自回归（AR）模型关联维数和粒子群算法优化支持向量机（PSO-SVM）的滚动轴承故障诊断模型。首先分析了VMD同MCKD、AR模型及关联维数结合的必要性,提出基于MCKD-STOA-VMD的关联维数的AR模型的故障特征提取方法,利用MCKD先对提取到的初期的振动信号降噪,这样是为了突显出信号的信噪比;接着对VMD分解所得敏感IMF分量重构并建立AR模型;随后算出AR模型相对应自回归参数序列的关联维数,提取早期故障特征,最后将特征向量输入PSO-SVM识别。通过对西储大学实验数据和本校实验室实测信号的两次对比试验对此方法予以确认。通过理论探讨、仿真分析及实验室试验,完成针对滚动轴承的故障诊断,结果表明本文所提方法能够有效提高准确率,研究拓展了滚动轴承故障诊断方法。