各类齿轮箱故障诊断方法中,以振动信号为基础的齿轮箱故障诊断方法以其便利性、可靠性和实时性强等特点而最为常用。但发生故障的齿轮箱的振动信号通常有着调制特性、非线性非平稳特性等特点,导致了难以有效、准确地提取出齿轮箱故障特征,因此需要使用合适的信号处理方法处理振动信号。目前最为常见的信号处理方法如总体平均经验模态分解（Complementary Ensemble Empirical Mode Decomposition,CEEMD）、改进的EEMD（Modified Ensemble Empirical mode decomposition,MEEMD）、自适应局部迭代滤波（Adaptive Local Iterative Filtering,ALIF）等方法虽然在不断改进,但仍然存在着一些不足之处。论文在ALIF方法的基础之上提出了使用排列熵值筛选的局部迭代滤波方法,并通过结合1D CNN（1 Dimensional Convolutional Neural Networks,1D CNN）提出了一种齿轮箱故障诊断模型。论文主要研究了以下内容:（1）对ALIF方法的理论进行了研究,通过对比EEMD、LCD和LMD方法对于仿真信号和齿轮故障实验信号的分解效果,验证了ALIF方法在分解结果的准确性以及其抵抗信号中噪声干扰的能力上的优势。（2）对ALIF方法的改进方法总体平均自适应局部迭代滤波（Complementary Ensemble Adaptive Local Iterative Filtering,CEALIF）方法进行了理论上的研究,并通过对比CEEMD、ALIF方法对仿真信号和齿轮故障实验信号的分解结果,验证了CEALIF方法在ALIF方法基础上的改进效果,以及相比于CEEMD方法在抑制模态混淆等方面上的优势。（3）基于ALIF方法提出了使用排列熵值筛选的改进的自适应局部迭代滤波（adaptive local iterative filtering modified by sifting through permutation entropy,ALIF-PE）方法,对使用排列熵来筛选分解结果中异常分量的可行性进行了验证。通过对比CEEMD、添加自适应噪声的完备总体平均经验模态分解（Complete Ensemble Empirical Mode Decomposition With Adaptive Noise,CEEMDAN）、CEALIF方法对于仿真信号和齿轮箱复合故障实验信号的分解结果,验证了所提出的ALIF-PE方法的优越性。（4）提出了基于ALIF-PE方法和1D CNN的齿轮箱故障诊断模型,使用ALIF-PE方法对齿轮箱故障信号进行分解滤波后,选取相关系数最大的分量组成训练集对1D CNN进行训练来获得齿轮箱故障诊断模型。对模型的有效性进行了验证,并通过对比其它方法与1D CNN结合的齿轮箱故障识别效果,证明了所提出模型的优越性。