针对滚动轴承振动信号的非线性、非平稳特征,提出了基于参数优化变分模态分解(Variational Mode Decom-position,VMD)、多尺度排列熵(Multi-scale Permutation Entropy,MPE)和粒子群-布谷鸟搜索融合算法优化Elman神经网络的故障诊断方法.针对VMD中模态分量个数和惩罚因子难以确定的问题,引入鲸鱼优化算法,令其自主搜寻最优解;利用获得最优参数的VMD对滚动轴承故障仿真信号进行分解,对最佳模态分量进行包络谱分析,对比仿真故障频率与实际值的吻合度,验证该方法的可行性.考虑到MPE具有可探究信号内动力突变的优点,将其与参数优化VMD相结合,求取滚动轴承振动信号各阶模态分量的MPE值,选择部分熵值构建特征向量,并将其投放在三维空间观察其差异性,判断其是否能够良好地表征不同故障类型.针对Elman神经网络识别精度低的问题,将粒子群优化(Particle Swarm Optimization,PSO)算法和布谷鸟搜索(Cuckoo Search,CS)算法相融合,以此联合优化Elman网络的权重和阈值,以提升网络的收敛精度和诊断精度.以实验采集和凯斯西储大学的滚动轴承振动信号为研究对象,应用所提方法进行分析.结果表明,所提方法不仅能够自适应地将信号分解,并提取出有效的故障特征,还能准确实现故障模式的分类,提高故障识别率.