近几年来,我国在机械制造领域的发展可谓是日新月异,胡麻岭隧道、复兴号、港珠澳大桥等一件件超级工程的圆满完成,向世界展示了我国制造业蒸蒸日上的实力,而机械设备在其中扮演着极其关键的角色,齿轮箱是实际工业设备中最常用,同时也是最重要的传动部件,其能否在工作过程中保持健康的状态将成为实际工业生产中重要的一环,因此齿轮箱故障诊断技术的研究具有非常重要的意义。BP神经网络是一种应用及其广泛的智能故障模式识别技术,具有强大的非线性处理能力,但同时也存在易陷入局部极值的缺点,本文论述了一种改进后的鱼群算法,利用该算法优秀的全局寻优能力优化BP网络的初始权值与阈值,结合二者的优势构建了ADAFSA-BP网络模型,并应用到齿轮箱故障诊断中以验证该模型的可行性。本文首先介绍了课题的研究背景和意义,包括齿轮箱故障诊断研究现状、神经网络和鱼群算法的国内外研究现状,还有当前智能化诊断技术的发展现状。随后对齿轮箱的常见故障形式及其振动机理做了系统的分析,并介绍了处理振动信号常用的时频域分析方法。之后详细论述了鱼群算法及其改进模式,包括算法中的参数设置和行为规则描述,将改进后的鱼群算法与BP神经网络相结合,用于优化BP网络的初始权值阈值,并构建了ADAFSA-BP网络模型,在MATLAB中进行了仿真验证,证明了该模型在模式识别中的可行性。最后搭建了齿轮箱故障诊断实验平台,采集了JZQ250型齿轮箱五种工况下的振动信号,利用ADAFSA-BP网络模型对齿轮箱的故障状态进行智能识别,分析实验数据可知,ADAFSA-BP网络模型展现出较优的诊断能力,同时为齿轮箱故障诊断提供了一种新的智能识别方法。