各种工况下齿轮传动链振动信号通常具有强非平稳性、成分复杂以及信噪比低等问题,一些典型的故障特征往往容易被其他成分所掩盖,这为故障特征提取及模式识别带来了很大的困难。传统的基于机器学习的故障诊断方法,通常需要人为提取出各类故障特征用以训练模型及对信号进行分类。此类方法需要足够的先验知识用以选择合适的信号处理和特征提取方法,且很难保证训练出的模型能够完整地描述原始信号,因此具有很大的局限性。针对上述问题,本文利用限制玻尔兹曼机(Restricted Boltzmann Machine,RBM)构建深度置信网络,通过非监督式特征学习方法从原始数据中提取出一系列信号特征用于故障诊断及模式识别。这种深度学习方法,直接从原始数据中学习特征,避免了人为参与信号处理和特征提取的过程,因此对先验知识并不敏感。此外,利用多层RBM学习得到的特征构建深层网络,可以从原始数据中挖掘出更丰富的信息用于模式识别。本文将上述深度学习方法用于对多种工况下的齿轮传动链振动信号进行故障诊断及模式识别。实例分析结果表明,相比起传统的机器学习方法,本文所提出的方法具有更高的分类准确率,为准确判断齿轮传动链实际工况提供一种有效的新方法。