针对辛几何模态分解方法在分解复杂信号时特征提取能力不足的问题，提出了一种基于滑动辛几何模态分解（SSGMD）的故障诊断方法。首先，通过增加窗口来代替轨迹矩阵来构造滑动矩阵，增强了周期特征提取的能力。其次，利用滑移矩阵的辛几何-相似变换峰求其特征值，重构特征值对应的特征向量，得到其初始单分量矩阵。然后对初始单分量矩阵进行对角平均，最后对一系列初始辛几何分量进行拼接和重组，得到滑动辛几何分量（SSGCs），然后完成信号的自适应分解。结果表明，通过对行星齿轮箱模拟信号和实测信号的实验分析，可以看出SSGMD不仅可以保护原始信号的结构信息，还可以利用滑移矩阵和辛几何相似变换充分提取原始信号的状态信息。与经典的信号分解方法相比，SSGMD方法能有效地分解多分量信号，具有优越的特征提取能力。