随着我国高速铁路的快速发展,列车的运营速度在不断提高,其安全问题得到越来越多的关注。滚动轴承的健康状态,对列车走行部的安全有着直接影响。故以滚动轴承为目标,研究滚动轴承故障特征提取和故障模式识别方法具有重要意义。主要内容如下:首先,回顾滚动轴承故障诊断技术发展历程,对特征提取方法及模式识别方法简要介绍。分析轴承失效成因及其特性,为下文奠定理论基础。其次,本文详细介绍了变分模态分解(VMD)理论基础及其理论。通过仿真信号分析了VMD算法在抗两类模态混叠(间断性事件干扰或模态分量频率接近所引起的模态混叠)以及噪声鲁棒性的方面的性能,并与经验模态分解(EMD)相对比,结果表明VMD算法更具优势。定量分析了惩罚因子和模态个数对VMD算法分解性能的影响,结果表明模态个数的选取对分解性能影响最大。通过滚动轴承故障仿真信号,分析了初始中心频率对VMD算法分解效率及性能的影响,结果表明,两种不同初始中心频率的选取方式所得迭代效率不同,所得模态分量的中心频率偏差较大;对于不同惩罚因子,算法分解所得模态分量的中心频率为区域型收敛;随着惩罚因子的增大,算法迭代效率呈现为范围稳定现象。然后,针对VMD算法参数选择的问题,在上文分析的基础上,提出了基于趋势估计引导的VMD优化方法。即通过趋势估计方法对待分解信号进行处理,获取VMD算法初始化所需的初始引导中心频率,利用所得参数完成VMD算法初始化,以此来解决VMD算法参数选择的问题。最后以仿真信号验证了所提方法的有效性及高效性,并通过全寿命周期加速试验台信号以及高速列车轮对跑合试验台信号验证了所提方法的准确性,并与传统方法相对比,进一步说明了所提方法的优势。最后,为实现滚动轴承故障模式的自动识别并保证识别精度,提出了将优化VMD算法与复合多尺度排列熵(CMDE)、最大相关最小冗余(mRMR)方法和极限学习机(ELM)相结合的滚动轴承故障模式识别方法。引入多尺度分散熵(MDE),并针对MDE方法的缺陷,提出了基于复合多尺度分散熵(CMDE)的滚动轴承特征提取。通过仿真信号对CMDE和MDE对比分析,并将CMDE和优化VMD算法相结合用于获取信号的特征。针对多尺度特征集高维度及冗余的问题,引入mRMR算法,计算向量集中各尺度特征的重要性和可分性,筛选出更优特征,构建新故障特征向量集,并结合极限学习机(ELM)实现故障模式的识别。最后通过实测信号验证了所提方法能准确、可靠的实现故障的识别和分类。