Apuntando a los problemas de aliasing modal y baja resistencia al ruido al procesar la señal de aceleración de vibración de rodamientos de rodillos mediante descomposición modal empírica (EMD), se propone un método de descomposición modal variacional (VMD) basado en la optimización de parámetros. Combinado con el algoritmo de optimización de enjambre de partículas mejorado (IPSO) y la entropía de envolvente mejorada, se optimizaron las capas de descomposición VMD y los parámetros de penalización. Se seleccionaron los componentes con altos coeficientes de correlación con la señal original, y las características de falla se extrajeron combinando la entropía de la muestra. Apuntando a la baja precisión de clasificación de la máquina de vectores de soporte con parámetros fijos en la etapa de diagnóstico de fallas y los defectos del algoritmo del lobo gris, como la diversidad poblacional insuficiente y el gran impacto de la población inicial en el efecto de optimización, se propone un algoritmo de lobo gris mejorado (IGWO) basado en la mejora de múltiples estrategias. El IGWO se combinó con la máquina de vectores de soporte para obtener una máquina de vectores de soporte de optimización de algoritmo de lobo gris mejorado (IGWO-SVM). Se establece un banco de pruebas de diagnóstico de fallas en rodamientos de rodillos para recopilar las señales de aceleración de vibración de rodamientos de rodillos en diferentes estados. Los resultados experimentales muestran que el diagnóstico de fallas en rodamientos de rodillos con ruido fuerte puede realizarse de manera efectiva aplicando los métodos anteriores, y la tasa promedio de precisión de diagnóstico de fallas alcanza el 98.875%.