针对传统辛几何模态分解（symplectic geometry mode decomposition， 简称SGMD）方法因嵌入维数选择依靠经验公式，导致出现信号模态混叠和过度分解的问题，提出了一种改进的辛几何模态分解（improved symplectic geometry mode decomposition， 简称ISGMD）方法。首先，通过计算原始信号的功率谱密度得到最大主峰的频率并设定嵌入维数区间，根据峭度准则筛选分解后的辛几何分量（symplectic geometry component， 简称SGC），得到每个嵌入维数对应的最优SGC；其次，引入模态混叠指数、过分解指数与峭度指标的综合评估目标值函数，选择最优嵌入维数；然后，利用拉马努金周期变换（ramanujan periodic transform， 简称RPT）方法进行微弱故障特征增强；最后，通过仿真信号及风机滚动轴承实验数据，并与经验模态分解和局部均值分解等方法进行对比，验证了所提出滚动轴承故障诊断方法的有效性。