针对电梯曳引系统运行过程中振动信号具有非线性和非平稳性、导致故障诊断精度较低的问题，提出了一种基于改进变分模态分解-遗传算法-核极限学习机（improved variational modal decomposition-genetic algorithm-kernel extreme learning machine，简称IVMD-GA-KELM）的电梯曳引系统故障诊断方法。首先，将动态时间规整算法与残余能量熵占比指标相结合，自适应确定变分模态分解（variational modal decomposition，简称VMD）的最优分解层数K和二次惩罚因子α；其次，采用VMD将所采集到的振动信号分解成多个固有模态分量（intrinsic mode functions，简称IMF），并根据最大峭度准则选取相应故障分量构建故障特征集；然后，采用遗传算法（genetic algorithm，简称GA）优化的核极限学习机（kernel extreme learning machine，简称KELM）对故障特征进行识别与分类；最后，进行故障注入试验以验证方法有效性。研究结果表明，所提出方法能够分析复杂的振动信号，对电梯曳引系统常见故障识别准确率达到96.67%，为电梯曳引系统的故障诊断提供了一种可行方法。