针对风力发电机组轴承故障信号微弱、不易提取、识别困难等问题，提出基于自适应白噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise，CEEMDAN)、时移多尺度排列熵(Time-Shift Multiscale Permutation Entropy, TSMPE)、主成分分析法(Principal Component Analysis，PCA)相结合的振动信号降噪算法，结合改进人工鱼群(Improved Artificial Fish Swarm Algorithm，IAFSA)优化支持向量机(Support Vector Machine，SVM)分类算法，实现风力发电机轴承的故障诊断。首先将风力发电机轴承原始振动信号进行CEEMDAN分解，得到一系列由高频到低频的IMF分量，通过相关系数筛选出经CEEMDAN分解后所产生虚假分量以及残余噪声分量并进行剔除，再通过峭度值在剩余分量中筛选出包含故障信息较多的IMF分量进行信号重构；其次，采用TSMPE计算重构信号的敏感特征值，经PCA选择后组成特征向量；最后，以IAFSA优化SVM，训练IAFSA-SVM多分类故障分类器，实现风力发电机轴承故障识别。将该方法与其他组合方法进行比较，证明所提方法在风力发电机轴承故障诊断中具有优越性和有效性。