齿轮箱是机械设备中一种不可缺少传递动力的部件,被广泛用于各个行业中,它的运行工况直接影响着机械系统是否能够正常运行,对其进行状态检测和故障诊断具有很强的现实意义。　　 本研究首先分析了齿轮箱故障产生的机理和常用的信号处理方法,对采集到的齿轮箱数据利用小波软硬阈值折中法进行信号消噪,通过与传统的小波阈值消噪进行比较,说明了该消噪方法克服了传统方法易出现间断点和过消噪的现象,有理想消噪效果。为了有效提取出原信号的特征信息,分别利用整体经验模式分解(EnsembleEmpiricalModeDecomposition,EEMD)与经验模式分解(EMD)方法对消噪后信号进行固有模态函数分解,从仿真结果可以看到EEMD相对于EMD来说,能克服频率混叠,具有自适应性强等特点。为了得到信号的特征值,分别利用样本熵与近似熵对齿轮箱信号进行特征值提取,仿真结果表明样本熵克服了近似熵在小样本数据处理中相对一致性低的问题,并且运算速度也大大提高。因此,本研究首次提出了将EEMD与样本熵相结合的方法对齿轮箱故障信号进行特征提取,实验结果表明采用这种特征提取方法能够更有效的显示出齿轮箱振动信号包含的状态特征,具有很好的有效性和可行性。为了将齿轮箱的不同的工作状态进行准确识别,将EEMD与样本熵相结合方法所得到的样本熵特征向量输入到支持向量机分类器中,通过采用径向基核函数进行模式识别,成功将齿轮箱正常、磨损、断齿三种不同工作情况下状态识别出来,达到了有效诊断齿轮箱故障的目的。　　 本研究首次将改进的小波阈值消噪法、整体经验模态分解(EEMD)法、样本熵和支持向量机等方法相结合进行齿轮箱故障诊断,从实验结果可以看出这几种非线性信号处理方法组合能有效的消除非平稳、非线性信号的噪声、提取齿轮箱信号特征、诊断出齿轮箱故障类型,因此本研究结果不仅可以有效应用在齿轮箱的故障诊断中还可以推广应用到其它相类似的机械故障诊断中,具有很好的实用价值。