齿轮箱在风力发电、航空航天、运输机械等现代工业设备中得到了广泛的应用。作为机械传动机构,其运行状态将直接影响到整个机械设备能否正常工作。但是通常情况下齿轮箱结构较为复杂、工作环境恶劣,在机械设备中齿轮箱发生故障的概率较高。而作为机械设备中连接和传递动力的核心部件之一,齿轮箱一旦发生故障,会造成较大经济损失甚至人员伤亡。因此研究齿轮箱故障诊断方法、对齿轮箱进行故障诊断以确保齿轮箱正常工作具有重要意义。在齿轮箱工作过程中,齿轮及轴承将产生一定形式的机械振动,而当其发生诸如磨损、腐蚀、开裂等故障时必然会引起振动信号的变化,利用齿轮箱振动信号可以有效的进行故障诊断。本文针对齿轮箱故障诊断存在的问题,提出基于深度学习的齿轮箱故障诊断方案。使用卷积神经网络结合连续小波变换从振动信号中提取关键特征并进行故障诊断。本文的主要研究工作如下:首先本文分析了齿轮箱主要零部件的常见故障类型及特性,针对单一的振动信号时域分析或振动信号频域分析存在的局限性,引入连续小波变换处理方法,选用Morlet小波基函数将原始振动信号转换为小波时频图。针对传统故障诊断方法对技术人员的专业知识水平依赖较高且步骤繁琐等问题,构建基于振动信号检测、连续小波变换、卷积神经网络识别分类的齿轮箱智能故障诊断流程,并搭建卷积神经网络模型。利用动力传动模拟实验台模拟的齿轮箱故障数据,通过十折交叉验证方式验证所提方法的有效性,并且研究了超参数对网络训练过程以及结果的影响,提出模型的平均故障识别率可达99.34%。对于神经网络难以被解释的问题,本文利用t-SNE算法将网络输出降维处理并在3维空间中展示分类过程。针对齿轮箱在实际运行过程中噪声对诊断结果影响较大的问题,提出了基于连续小波变换和多尺度深度卷积神经网络的故障诊断方法。首先,实验对比发现,已有的故障诊断模型在添加不同等级的噪声时诊断识别率明显下降;其次,向振动信号中添加不同等级的噪声并对多尺度卷积模块进行改进,验证提出模型的抗噪能力;最后,对比分析不同模型在不同信噪比下的故障识别率。研究表明,本文提出的多尺度卷积神经网络有效加深网络的同时可以避免梯度爆炸和梯度消失,在-10信噪比的强噪声条件下可以达到83.72%故障识别率。文章最后总结全文工作,并展望下一步研究方向。