齿轮是机械设备的基础零部件,齿轮系统具有传递稳定、机械噪声小、零件寿命长等优点,其在航空、风力发电机及舰船机械等设备应用广泛。但在外部受载影响下,齿轮裂纹、点蚀、剥落等故障时常发生,齿轮传递精度降低,容易引发安全事故,因此开展对齿轮箱中齿轮状态的实时检测和故障诊断方法的研究具有重要意义。为防止齿轮失效故障导致安全事故,迫切需要开展故障机理及故障智能诊断的研究。但齿轮故障的复杂性给研究齿轮振动机理带来很大困难,且齿轮传动系统经常受到环境噪声等干扰,传统特征提取方法难以有效提取且部分方法需要专家经验。因此,亟需建立齿轮系统动力学模型,揭示齿轮故障振动机理,研究齿轮故障对动力学特性的影响规律。同时,利用深度学习方法进行齿轮故障智能分类,为丰富和开展齿轮故障振动机理以及智能诊断算法的研究提供坚实理论依据和实践支撑。论文将直齿圆柱齿轮为研究对象,建立齿根裂纹模型,基于能量法分析不同裂纹缺陷程度对啮合刚度造成的影响,通过建立集中参数齿轮动力学模型,研究齿轮在裂纹故障条件下的动力学响应。针对传统故障诊断方法需要专家经验,人工提取特征困难等缺点,利用神经网络对齿轮故障进行智能诊断分类,避免传统故障诊断的一些弊端。通过齿轮箱故障诊断试验,验证建立裂纹模型的正确性以及故障诊断分类方法的有效性。主要研究内容如下:（1）基于能量法,推导正常齿轮和裂纹故障齿轮的刚度公式,计算两者的时变啮合刚度,研究不同齿根裂纹深度对啮合刚度的影响。齿根裂纹的出现,导致裂纹齿轮啮合刚度低于正常齿轮的啮合刚度,并且齿根裂纹对弯曲刚度以及剪切刚度的影响较为明显。（2）建立6自由度集中参数系统动力学模型,分析正常和裂纹齿轮在800 rpm和40 N·m工况下的动态响应,并利用振动信号时频域处理方法进行特征分析,探究齿根裂纹故障与振动响应之间的影响规律。当存在裂纹时,齿轮加速度时域波形产生周期性的冲击现象,动态传递误差DTE响应也出现明显的冲击,并且随着深度的扩展,DTE响应的RMS值随之增加,包络谱频谱最大振动幅值也相应增加。（3）通过齿轮故障模拟试验台,完成不同故障工况下的振动信号采集并进行故障划分,通过连续小波变换以及傅里叶变换预处理将振动信号转换成卷积神经网络的小波时频输入信号和堆叠降噪自动编码器的频域输入信号,通过两种类型的神经网络训练以进行诊断输出,最后把两者的输出值作为改进D-S证据理论的输入,基于加权思想对网络证据源进行修改,按照证据理论组合规则进行决策级信息融合,并将其融合结果与其他几组诊断方法进行对比,结果表明本文方法诊断精度相对较高,从而说明本文方法的有效性。