电机作为工业生产的重要的驱动设备,电机能够安全可靠的运行是保证生产的前提。滚动轴承是电机中最重要且最易损的元件之一,其健康状态对电机能够正常运行是十分重要的,因此开展对电机轴承的故障诊断研究具有重要的意义。在本文的研究中,将电机轴承的故障信号作为研究对象,主要研究了轴承故障诊断中的信号处理和故障识别,主要内容如下:首先,本文阐述了轴承的基本结构和常见的失效形式以及目前故障诊断的发展现状。深入研究了变分模态分解（Variational Mode Decomposition,VMD）的基本原理。为了展现VMD方法在处理信号方面的效果,与经验模态分解（Empirical Mode Decomposition,EMD）方法进行对比分析,通过两种方法得到的分解结果,展现了VMD方法的优越性。其次,针对VMD方法在处理信号过程中参数选取问题,研究了分解个数和惩罚因子对分解结果的影响,提出一种基于改进的天牛须搜索算法（Beetle Antennae Search,BAS）的VMD参数优化方法。根据信号自身特性确定合适的参数组合,在该参数组合下,VMD方法的分解效果要优于EMD方法。为了提高轴承故障分类的准确率,提出了一种基于敏感特征和改进BAS优化PNN网络（Probabilistic Neural Network,PNN）的故障识别方法。通过对比实验得到局部线性嵌入（Locally Linear Embedding,LLE）算法在信号数据降维中的优异表现,利用LLE算法得到重构信号中敏感的特征参数来表征轴承的运行状态。由于PNN网络分类的准确性取决于平滑系数,使用改进的BAS算法对其参数进行选取,并结合上述数据降维方法提出了基于敏感特征和改进BAS优化PNN的故障识别方法。最后,以实验室电机轴承的四种运行状态的信号作为研究对象,将各类信号经过改进BAS优化后的VMD进行分解,根据峭度对有效IMF分量进行重构,结合LLE得到提取重构信号时频域统计特征中的敏感特征,完成对经改进BAS算法优化后PNN网络的训练和测试。通过实验结果验证了本文提出的电机轴承故障诊断方法的可行性及较高的故障识别率,具有一定的研究意义。