齿轮箱作为旋转机械设备的关键部件,发挥着动力传递和设备连接的作用,其用途越来越广泛,在交通运输、金属切削、冶金等各行各业的机械设备中都有它的身影。但齿轮箱通常在比较恶劣的环境下工作,其本身会因为各部件的损害而出现传动精度下降,甚至直接失效的情况,进而导致不必要的经济损失以及重大的人员伤亡。本文以型号为JZQ250的定轴齿轮箱为主要研究对象,设计并搭建实验平台对齿轮箱不同状态的振动信号进行采集,运用完备集合经验模态分解（CEEMDAN）、小波软阈值、卷积神经网络（CNN）以及多种机器学习算法进行研究,最终完成基于振动信号的多模型特征融合分类模型,以完成对齿轮箱运行状态的识别工作,论文主要内容可以简要概括为以下三个方面:1、首先对齿轮箱故障诊断研究的背景、现状以及意义做出概述,根据齿轮箱常见的故障类型进行人为设障工作,根据学校现有的实验条件选取合适的实验设备,并对实验具体方案进行设计与实现,最终完成对振动数据的采集工作。2、基于传统机器学习算法提出了一种CEEMDAN联合小波软阈值的去噪方法,以完成对原始振动信号的去噪处理工作,并进行时频域特征提取,最后经由支持向量机（SVM）完成齿轮箱故障的模式识别工作,同时引入改进粒子群优化算法（IPSO）优化SVM的径向基核函数与惩罚因子,以克服传统的SVM模型因人工经验设置参数而产生的局部最优问题。该模型首先通过CEEMDAN将齿轮箱实验平台采集到的原始振动信号分解成为多个固有模态分量（IMF）,并根据连续均方误差准则完成高频IMF和低频IMF的区分工作,对于含噪的高频IMF利用小波软阈值法进行去噪处理,然后将去噪后的高频IMF与低频IMF进行信号重构并进行时频特征提取,最后通过IPSO-SVM模型完成故障诊断工作,该故障模型对齿轮箱的故障平均识别正确率可达96.4%。3、结合深度学习算法提出了一种基于CNN、IPSO和SVM的齿轮箱故障诊断模型。利用CNN对原始振动数据进行特征提取,进而将所得齿轮箱不同状态振动信号的故障特征作为SVM的输入样本,同时引用IPOS与SVM结合,构建IPSO-SVM模型对齿轮箱的故障状态作出最终的识别工作,经验证该故障模型对齿轮箱故障状态的平均识别正确率可达97.7%。4、为了获得一个识别效果更加稳定和有效的齿轮箱故障诊断模型,以及解决单一或少量特征对于齿轮箱故障状态的反映能力有限的问题,在CNN-IPSO-SVM齿轮箱故障诊断模型中加入时频域故障特征集,利用并联融合法以完成振动信号的特征融合工作。最终提出并验证了一种基于多模型特征融合的齿轮箱故障诊断模型,使齿轮箱的故障诊断工作更加精确和有效。经验证,该故障诊断模型对齿轮箱的故障识别正确率较其他模型有一定的提升,模型对齿轮箱的故障平均识别正确率可达98.3%。