本文依托于为国内数家知名企业研发的主减速器性能试验机课题,针对被试件状态检测需要人工观察振动谱图,其检测诊断的准确率与技术人员的经验密切相关,导致准确率无法保证的情况,提出基于振动谱图像识别的智能诊断方法,围绕其中的关键技术:信号处理方法、图像特征融合及特征分解、特征提取方法、人工智能多类分类算法、多分类器融合方法展开研究,并将研究成果应用到主减速器性能测试中。主要内容如下:首先,针对振动信号的边频调制特征,在形态小波的理论基础上,提出了形态小波包最佳树算法(MWP&BT),探讨了MWP&BT算法的滤波解调原理,并将其应用到滚动轴承和主减速器的振动信号解调中。围绕信号的非平稳性、非高斯性,对时频分析、双谱、循环双谱等现代信号处理方法进行对比分析。第二,结合人眼视觉模型中对比敏感函数(CSF)特性,提出形态小波和CSF的图像融合方法,使得融合图像符合人眼视觉特性,并将其应用到故障特征融合之中;提出基于振动谱图像处理的振动特征分解方法,提出图像运算相关算子,对基于图像运算的振动特征分解机理进行分析,并与EMD进行比较。第三,提出基于形态小波的图像压缩方法;针对振动谱图像特征提取,提出两种灰度矩算法,对相关影响因素进行分析,并对SPWVD时频图像和双谱图像特征提取实例研究。第四,介绍人工免疫系统的概念,建立了基于免疫网络模型的智能检测方法的一般框架。然后,研究独特型网络动力学模型-Farmer模型的稳定性,结合Farmer模型和aiNet的优势,提出一种人工免疫网络优化算法(简称:AINOA)。研究了利用抗原抗体互识别的结合能量模型实现多类分类的可行性,结合AINOA的样本空间优化能力和结合能量模型的分类特性,提出一种人工免疫网络分类算法(简称:AINCA),并将其应用到滚动轴承的故障检测之中。第五,介绍了模糊测度、模糊积分的概念,由此引入基于模糊积分的决策融合模型,在多类分类器的基础上,对分类结果进行模糊积分决策融合,以期提高分类精度。最后,建立主减速器动力学模型,对主减速器的动态特征进行仿真分析,为基于振动信号分析的故障识别提供了理论支持。然后,对主减速器性能试验机原理及主要功能进行介绍,对实测的三类振动信号进行分析,按照前述的图像特征提取方法提取特征向量,利用AINCA算法对其进行分类识别,并对分类结果进行基于模糊积分的决策融合,进一步提高识别准确率。