液压传动有运动准确性高、响应速度快、功率质量比大、调速范围广等优点。因此,在塑料机械、工程机械、冶金工业、航空航天、机床以及舰船等重要领域得到广泛应用,液压系统在各类设备中起核心的控制或传动作用。液压泵是液压系统的核心组成部分,是整个液压传动系统的动力源,其工作性能的好坏直接影响着整个液压系统的工作状态和工作效率,因此有必要对液压泵进行实时状态监测以及快速、精准的故障诊断。近年来,对深度学习的研究日益深入,深度学习的的应用领域也不断拓展。卷积神经网络是一种重要的深度学习算法,应用于图像处理领域,对图像有良好的识别和分类能力。因此,本文提出用卷积神经网络对液压泵的振动信号的时频图像进行分类识别,以实现对液压泵的故障诊断及健康状态监测。卷积神经网络的结构参数对图像识别效果有很大影响。因此,本文研究了卷积神经网络中网络层数,迭代次数,批量尺寸,卷积核个数和尺寸等参数对图像识别结果的影响,确定对液压泵的故障诊断及健康状态识别效果最优的神经网络结构参数,以提升液压泵故障诊断及健康状态识别的准确率。通过故障诊断试验台采集了轴向柱塞液压泵不同故障状态下的振动信号,通过加速寿命试验台采集了齿轮泵不同容积效率下的振动信号,然后通过短时傅立叶变换、小波变换、Wigner-Ville分布三种时频方法对上述振动信号进行分析处理,根据对三种时频变化方法所生成图像的识别结果,确定了最优的时频变换方法;将得到的时频图像分为训练集和测试集,输入到卷积神经网络中,通过多次训练,确定最优参数,对轴向柱塞液压泵的故障与齿轮泵的健康状态进行识别,获得了良好的效果。