La detección de datos anómalos no solo es una parte importante del proceso de monitoreo de condiciones de los rodamientos de elementos rodantes, sino también la premisa de la limpieza, compensación y minería de datos. Con el objetivo de detectar segmentos de datos anómalos en las señales de vibración de un rodamiento de elementos rodantes, este artículo propone un modelo de detección de datos anómalos basado en características integrales y optimización de parámetros del bosque de aislamiento (CF-POIF), que puede identificar adaptativamente segmentos de datos anómalos. Primero, para extraer de manera más precisa la característica de mutación de las señales de vibración, se propone el concepto de característica integral, que integra las características de energía en el dominio del tiempo y en paquetes de wavelet. Luego, se utiliza el algoritmo de optimización por enjambre de partículas (PSO) para optimizar la longitud de la ventana rectangular y la capacidad del conjunto de submuestras en el bosque de aislamiento para la detección de anomalías. Finalmente, se utilizan tres casos reales relacionados con datos anómalos para verificar la efectividad del método propuesto. Los resultados demuestran que el método propuesto es capaz de detectar datos faltantes, datos en deriva y datos de interferencia externa de manera efectiva, y tiene una puntuación y precisión más altas en comparación con otros métodos.