为了有效实现滚动轴承故障诊断，提出一种麻雀搜索算法（SSA）优化特征模态分解（FMD）和支持向量机（SVM）的轴承故障诊断方法。该方法首先针对FMD中需要人为选择的模态数量和滤波器窗长这两个关键参数，利用SSA实现自适应选择，提高了参数选取的准确性和效率。然后，利用最优参数组合下的FMD对不同类型的滚动轴承故障信号进行分解，得到了一系列模态分量，并计算了每个模态分量的熵指标，以及不同状态下轴承信号的时频指标。随后，将时频特征和熵特征结合起来构建滚动轴承故障特征矩阵，为后续的故障诊断提供了更加丰富和准确的特征信息。最后，通过SSA优化SVM的惩罚因子和高斯径向基核函数参数，进一步提高了模型的识别精度和效率。实验证明，该方法在凯斯西储大学轴承数据集上取得了良好的效果，能够有效地诊断不同尺寸和不同类型的轴承故障类型。与未经过优化的方法相比，诊断准确率提高了5.28%，表明该方法具有良好的适用性和实用价值。