针对强背景噪声下轴承故障难以有效辨识的问题，提出了一种改进的参数自适应变分模态提取（variational mode extraction， 简称VME）方法。VME提取轴承故障特征的能力与其初始参数密切相关。为提升VME关键参数设定的自适应性与准确性，首先，在VME收敛趋势图的基础上提出了中值负熵指标，用于筛选故障敏感分量，以确定最佳初始中心频率（initial center frequency， 简称ICF）；其次，以中值负熵为基础构建目标函数，指引算术优化算法（arithmetic optimization algorithm， 简称AOA）进行全局寻优，以获取最优惩罚因子；然后，使用参数优化的VME提取出目标分量，对目标分量进行包络谱分析，用于提取故障特征频率；最后，通过分析高速列车轴箱轴承实测信号，验证所提方法的有效性，并与Infogram和自适应变分模态分解方法进行了比较。结果表明，所提方法具备更加出色的故障辨识性能。