随着科学技术的逐步发展，齿轮箱作为一种通用零部件，已被广泛应用于现代化的机械设备中。齿轮箱运行工况恶劣，内部构造比较复杂，所以很容易引发机械设备故障。为了减少经济损失，近些年故障诊断技术已成为社会重点的研究课题。故障诊断技术主要有振动信号的采集及预处理、提取信号的特征向量和运行状态识别三大部分。作为一种先进的信号处理分析方法，小波变换具多分辨率的特性，可以将信号进行放大细化，在时、频域都能清晰分析信号的信息，所以在齿轮箱的故障诊断方面应用广泛。
　　本文主要按以下几个方面进行研究：
　　研究了齿轮箱的振动机理及信号特性，针对信号中存在的大量噪声，采用了小波变换的方法进行小波分解，并用强制阈值、默认阈值等方法进行小波高频去噪处理。同时引入了小波包分解的方法，对信号进行多频带划分，并进行多种阈值方法去噪处理比较。通过仿真实验，表明用小波分析及小波包分解进行振动信号去噪的有效性。
　　小波变换可以对信号进行精细地分解，提取准确的特征向量，因此常常用小波来作为信号的特征提取器。本文针对齿轮箱信号复杂多变，小波基选取困难的问题，引入了自适应小波基理论。针对自适应小波基构造算法忽略尺度函数的缺陷，提出建立尺度空间上的信号差能量极小化及小波空间上的信号差能量极大化模型，构造自适应小波基。仿真实验表明，改进的自适应小波基算法有更大的灵活性，自适应小波基函数可以更为精细的分解信号，用少量的数据表示更为丰富的信息。
　　本文基于不同状态下齿轮箱振动信号能量谱、包络谱的差异，在构造自适应小波基的基础上，将信号进行自适应小波包分解，并结合信号的能量谱来提取信号的能量分布特征，结合信号的包络谱来提取信号在特定频段上的包络谱特征。实验表明，基于改进的自适应小波算法提取的信号特征更能表征齿轮箱的振动信号特性。
　　采用基于最小错误率的贝叶斯分类器进行齿轮箱的故障诊断，然而当样品特征向量相互交织时，贝叶斯分类器会发生错分现象，针对此类易被错分的样品，提出一种基于混合交叉域的分类器算法。该算法以F-measure作为综合评价准则，将错分概率密度融入准则函数中，用梯度下降法进行迭代计算求出判别函数。为了提高齿轮箱的状态识别正确率，本文采用贝叶斯分类器与基于混合交叉域的分类器相结合的分类器算法进行故障识别。