随着环保、节能、高效的理念不断深入,筛分设备的设计和应用也不断朝着节能环保型、智能化、模块化方向发展。直线振动筛作为一种典型的筛分机械,在煤矿、建筑等行业广泛应用。由于其长期在复杂工作环境中做高强度往复运动,时常发生故障,导致经济损失、环境破坏,甚至发生人员伤亡。因此,研究和设计可靠的振动筛智能故障诊断方法,对维持生产的安全、稳定、高效运行具有重要的实际工程意义。本文以ZS2264型号直线振动筛为具体研究对象,首先通过建立振动筛故障运动仿真模型和故障实验平台,完成了振动筛激振力不平衡、单电机故障、减震弹簧失效、共振四种典型故障的运动仿真分析和实验验证。引入递归图、递归量化分析等理论,通过算例分析了递归图中的多种典型模式及其对应的物理意义,探究了递归量化分析特征（RQA）随动力学复杂度变化的一致性,为后续在振动筛故障诊断中的应用提供理论基础。在振动筛信号处理方法上,引入变分模态分解算法（VMD）,提出了一种基于VMD-RQA的故障诊断方法。利用VMD获得振动信号的多个尺度状态信息,提取每个尺度的RQA特征,结合常规的机器学习分类器实现振动筛在单工况、单传感器数据集中的故障诊断,探究了RQA特征在故障识别中的应用效果。研究结果表明:该方法结合随机森林分类器展现出较好的识别优势,平均准确率为98.56%,但单个传感器信号所获取的信息不全面,易造成减震弹簧失效等故障的误判。从而提出了基于多传感器多特征与特征筛选深度森林的故障诊断方法。在多个工况、多传感器数据集中,该方法在训练-总数据比例为50%之后,达到了100%的识别精度。此外,通过构建多个含有不同信噪比信号的振动筛数据集,对该方法的噪声鲁棒性进行了验证,结果表明:该方法具有良好的噪声鲁棒性和稳定性,在-5db信噪比的强环境噪声下,达到了最高的96.43%分类精度。传统手工设计和优化特征的故障诊断方法具有特征质量不确定性等问题,因此引入深度学习技术,提出基于融合的RGB递归图与卷积神经网络的振动筛故障诊断方法,设计了一种高层特征融合的深度卷积神经网络组合模型（MDCNN）。研究结果表明:相比于融合后的原始信号彩色图或格拉姆角场,同源多传感器信号融合后的RGB递归图包含了更多的振动筛特征信息,有助于MDCNN的特征学习和分类,在振动筛-5db强噪声环境下的平均识别精度为97.59%。与多种经典的神经网络模型对比,证明了MDCNN模型兼具有效性、稳定性和小空间占有率。