风电机组齿轮箱轴承运行环境中存在的噪声和轴承不同部件之间的严重耦合振动,使采集的振动信号的故障特征不明显,故很难直接完成风电机组齿轮箱轴承的故障特征提取和诊断工作。为此,本文将改进的变分模态分解方法与奇异值分解降噪技术相结合,建立了基于自适应变分模态分解——奇异值分解降噪的特征提取模型,以期准确地实现对风电机组齿轮箱轴承振动信号的故障特征提取与诊断。论文主要的研究工作如下:（1）分析了模态个数和二次惩罚因子对变分模态分解（Variational Mode Decomposition,VMD）算法的影响,由此引入混合粒子群算法优化VMD参数,构造自适应变分模态分解（Adaptive Variational Mode Decomposition,AVMD）方法。重点研究了选取最小平均包络熵作为混合粒子群算法的适应度函数,以及AVMD方法的具体流程。以实测风电机组齿轮箱高速轴滚动轴承故障数据为例,应用AVMD方法对信号初步检测,结果表明AVMD方法可实现信号完全分解,且无模态混叠和欠分解现象,为后续故障特征提取及诊断工作的有效进行奠定基础。（2）信号经AVMD方法分解后得到若干模态分量,针对单一指标筛选有效分量不够精确的问题,本文引入加权峭度指标选择有效分量进行重构信号;针对重构信号依然混有部分噪声的问题,引入奇异值分解（Singular Value Decompositio,SVD）降噪方法,其中,在确定有效奇异值个数时,提出了基于平均值原则的二次逼近原则方法。由此,本文建立了一种基于AVMD-SVD的风电机组齿轮箱轴承信号的故障特征提取模型。（3）以实验室提供的轴承故障数据为例,将基于AVMD-SVD的故障特征提取方法划分为三个阶段并依次进行了分析,在AVMD初步分解信号阶段,与传统中心频率法进行了对比,在重构信号阶段,与基于峭度指标的重构信号进行了定性与定量的对比,在降噪处理阶段,与EEMD、未降噪处理的AVMD方法进行了特征提取效果的对比,从以上三个阶段验证了AVMD-SVD方法的整体的有效性,并成功提取了内圈故障特征频率。以风场实测的风电机组齿轮箱高速轴滚动轴承的振动故障数据为例,对AVMD-SVD方法进行了实验验证,结果表明可将外圈-内圈-滚动体的复合故障特征提取出来,与实际的故障状况相一致,验证了AVMD-SVD方法在风电机组齿轮箱轴承信号故障特征提取方面的可行性与有效性。