带式输送机因其具有运输量大、运输距离长、持续性运输等优点,在港口煤炭运输行业成为了不可替代的运输工具。随着对煤炭需求量的逐渐增加,带式输送机将长时间高负荷生产工作,一旦设备发生故障,产生的经济损失将不可估量。目前基于带式输送机故障诊断主要是依靠人工巡检方式,该巡检方式因其工作量大、诊断效率低等缺点已不再适合当前生产现状。由于发现带式输送机在发生故障时产生的声音信号中包含了大量的故障信息,本文将通过对带式输送机工作中产生的声音进行故障分析,研发一套基于声音信号的带式输送机故障诊断系统,本文主要研究内容如下:（1）针对带式输送机现场存在噪声干扰问题,提出了一种改进的小波阈值去噪方法。经过对声音信号小波基、分解层数和阈值的选择,并对软硬阈值函数进行收敛性的分析,提出一种基于改进阈值函数的小波阈值去噪方法,利用传统小波模极大值去噪方法做出对比实验。仿真实验结果表明,该改进方法更有效的滤除了噪声,并降低了声音信号的失真程度。（2）针对传统声音特征不能较好表征信号特征的问题,对声音信号进行了梅尔频率倒谱系数（Mel-Frequency Cepstral Coefficients,MFCC）和深度学习特征两个特征的提取。MFCC的提取是将去噪后的声音信号快速傅里叶变换,通过Mel滤波器滤波,在进行对数变换求得,基于深度学习的特征提取是利用短时傅里叶变换将声音信号转化为语谱图,再通过采用卷积神经网络特征提取的方法进行提取。通过两种特征的提取,得到了带式输送机工作时声音信号中最能表征信号类型的信息。（3）针对基于卷积神经网络和支持向量机的带式输送机故障诊断模型精确率低的问题,一是搭建了基于卷积神经网络的VGG16深度学习模型,并根据样本数据对VGG16进行了网络结构的改进。通过将声音信号图像化后的样本数据放入VGG16神经网络,对学习率和批样本大小进行了最优设计,得到识别效果最佳的VGG16神经网络。二是搭建了基于SVM的故障诊断模型,分别从特征级融合和决策级融合两种融合算法改进故障诊断模型。特征级融合是利用主成分分析法将提取到的两种特征降维后拼接融合,决策级融合是利用D-S证据理论将两个分类器得到的后验概率融合。通过对SVM三种方法的故障诊断对比实验,得出基于决策级融合的SVM模型识别率更高且较改进的VGG16神经网络更优。