针对背景噪声下滚动轴承故障难以精准诊断的问题，提出一种结合改进可调Q因子小波变换（tunable Q-factor wavelet transform， 简称TQWT）和变分模态分解（variational mode decomposition， 简称VMD）的滚动轴承故障诊断方法。首先，利用Sigmoid曲线构造改进的小波阈值函数，以更好保留故障冲击而引起的高频冲击特征；其次，利用麻雀搜索算法（sparrow search algorithm， 简称SSA）对TQWT方法的参数进行智能优化，实现其参数的自适应调整；然后，为更加凸显故障频率，采用VMD对得到的降噪信号进行处理，得到一系列内在模式分量；最后，对内在模式分量进行包络分析，实现滚动轴承的故障诊断，并基于仿真和滚动轴承故障模拟试验数据，对提出方法的有效性进行验证。结果表明：在仿真试验中，与传统降噪方法相比，所提方法降噪后的信噪比最高；在故障模拟试验中，所提方法降噪后故障特征频率谐波成分更加明显，更利于实现滚动轴承故障诊断。