随着科学技术的进步,机械设备结构和功能趋向复杂化、智能化,机械设备中运动零部件日益增多,不同部件之间的相互关系、非线性耦合也愈加紧密,一旦某个部件出现故障,即使轻微的故障都会影响到机械部件的运行状态,甚至会对机械系统的安全运行产生巨大影响。因此,研究机械故障诊断技术具有重要意义。机械故障诊断主要包括采集和处理设备现场信号、故障特征提取和状态模式识别三方面。本文围绕这三方面,研究了基于最小熵解卷积和变分模态分解以及优化支持向量机的故障诊断方法。首先,针对经验模式分解方法和局部均值分解方法存在端点效应现象和模态混叠问题,将变分模态分解引入故障特征提取中,变分模态分解方法是一种非递归信号分解方法,其端点效应和模态混叠要远小于经验模式分解方法和局部均值分解方法,可以更有效地提取信号的特征信息。其次,针对轴承振动信号中的故障特征信息受到噪声干扰而不突出的问题,提出最小熵解卷积与变分模态分解相结合的特征提取方法。最小熵解卷积可以降低噪声干扰并增强信号中故障特征信息,以模糊近似熵量化变分模态分解的分量,构建特征向量。通过实际数据分析验证了该特征提取方法的有效性。再次,针对支持向量机传统参数寻优算法效率较低,提出采用扩展粒子群算法优化支持向量机参数,相对于传统参数寻优算法,其具有更高的效率、更好的搜索能力。扩展粒子群算法相较于标准粒子群算法也具有更好的寻优能力,对提取到的故障特征向量进行分析,该算法能够正确完成故障类型的识别。最后,以美国凯斯西储大学滚动轴承故障数据作为实验研究的对象,分别从轴承不同损伤程度和同一损伤程度下不同故障部位两方面进行分析。实验结果表明,不同故障类型的特征向量之间存在较大差异,验证了本文特征提取方法的有效性;基于扩展粒子群算法优化参数的支持向量机能对不同故障类型完成正确识别,故本文所提故障诊断方法能达到良好的诊断效果。