Debido al entorno operativo complejo de las válvulas, cuando ocurre una falla dentro de una válvula, la señal de vibración generada por la falla se ve fácilmente afectada por el ruido ambiental, lo que dificulta la extracción de características de la falla. Para abordar este problema, este documento propone un método de extracción de características basado en la combinación de la Descomposición Empírica en Modos Ensemble Completa con Ruido Adaptativo (CEEMDAN) y la Entropía Difusa (FN). Debido a la velocidad lenta de convergencia y la tendencia a caer en soluciones óptimas locales del Algoritmo de Optimización del Hipopótamo (HO), se introduce un modelo mejorado de Optimización del Hipopótamo (IHO) - Modelo de Máquina de Vectores de Soporte (SVM) optimizado para el diagnóstico de fugas de válvulas para mejorar aún más la precisión del diagnóstico de fugas de válvulas. El algoritmo mejorado de Optimización del Hipopótamo inicializa la población de hipopótamos con mapeo caótico de Tienda, diseña un factor de peso adaptativo e incorpora una perturbación de variación adaptativa. Además, se demostró que el rendimiento de IHO es óptimo en comparación con HO, Optimización por Enjambre de Partículas (PSO), Optimización del Lobo Gris (GWO), Algoritmo de Optimización de Ballenas (WOA) y Algoritmo de Búsqueda de Gorriones (SSA) mediante el cálculo de doce funciones de prueba. Posteriormente, se estableció y aplicó el modelo de clasificación IHO-SVM para el diagnóstico de fugas de válvulas. Los efectos de predicción de los siete modelos, IHO-SVM, HO-SVM, PSO-SVM, GWO-SVM, WOA-SVM, SSA-SVM y SVM, se compararon y analizaron con datos reales. Como resultado, la comparación indicó que IHO-SVM tiene una robustez y generalización deseables, lo que mejora con éxito la eficiencia de clasificación y la tasa de reconocimiento en el diagnóstico de fallas.