变分模态分解（Variational Mode Decomposition,VMD）以其独特的优势而广泛用于旋转机械的状态监测和故障诊断。本文提出了自适应参数优化变分模态分解（adaptive parameter optimized VMD,APOVMD）,自适应地确定合适的分解参数并进一步提高VMD的性能。用于机车轴承振动信号和牵引电机定子电流分析,取得以下成果:提出了基于最小平均包络熵的VMD参数优化方法。模态个数K和二次惩罚因子α是VMD两个重要的参数,在参数设置正确的情况下,分解效果优于经验模态分解（Empirical Mode Decomposition,EMD）。然而合理的参数难以预先设定,K与α选择不合理会使分解结果变差。针对VMD参数设置困难的缺点,提出了一种参数优化方法。该方法利用最小平均包络熵价值指标来评价分解效果,分解效果越好,熵值越小。在以K为横坐标,α为纵坐标的平面范围内寻找最小平均包络熵,所对应的就是最佳参数组合。通过计算机仿真信号分析说明了APOVMD分解的优势。与EMD分解和集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）相比,APOVMD分解能有效抑制模态混叠。与经典VMD相比,较好的解决了参数选择问题。提出了一种新的滚动轴承故障特征提取方法,先用APOVMD将信号自适应分解成一系列有限带宽本征模态分量,再根据峭度指标选择敏感的本征模态分量,最后通过包络谱提取故障特征频率。HXD₃型机车在线运行实验,证明该方法能有效诊断各种类型的轴承早期故障。