传动齿轮箱是最常使用的机械设备,直接关系到工业生产的各个方面,开展对该类设备故障诊断与状态监测研究具有重要理论价值和实践意义。针对传统的振动信号故障诊断方法的不足,结合声信号的非接触式检测、信号易于收集、易于发现早期故障、可对目标设备进行在线实时监测等优点,作者展开了基于声信号的传动齿轮箱故障诊断研究。首先,对传动齿轮箱常见故障类型及机理进行了介绍。从声学的理论基础出发,表明声音与振动的关系,并通过文献的分析与研究,阐述了声信号在故障诊断方面的优势。介绍现有几种技术成熟的声信号故障诊断的方法,以及原理和特点。同时,针对传动齿轮箱的声信号的特点进行了分析说明。其次,基于研究目的以及研究内容,在现有实验设备的基础上设计了实验方案,开展了声信号的采集实验,并同步采集振动信号,以便对比基于声信号传动齿轮箱的故障诊断效果。在实验中,主要采集分析对象包括传动齿轮箱的滚动轴承故障信号和齿轮箱齿轮啮合故障信号。再次,对传动齿轮箱的声信号的降噪和特征提取预处理方法进行了研究。创建信号降噪性能指标体系:通过信噪比、信噪比增益进行仿真信号降噪性能评价,根据对实测信号处理结果发现,小波包分解降噪对声信号降噪效果要优于小波分解降噪。并且对比研究了经验模态分解算法及其优化算法的特征模态提取效果,通过经验模态分解算法（EMD）和集合经验模态分解算法（EEMD）计算得到的固有模态分量均存在“模态混叠”现象,选择其中的特定模态分量进行故障分类效果不佳,使用自适应噪声完备集合经验模态分解算法（CEEMDAN）能够有效分解提取出包含均匀尺度特征频段的时域波形数据,且不存在“模态混叠”现象,在振动信号与声信号的模态分量图中得到验证,实现了声信号的去噪以及目标特征的精确提取。最后,对传动齿轮箱的故障声信号进行分类方法的研究,采用一维残差神经网络这种深度学习方法对经过预处理的故障声信号进行深层特征提取,实现传动齿轮箱的故障分类。通过对比实验,将传动齿轮箱声信号进行小波包分解降噪与CEEMDAN特征模态提取预处理,并结合一维残差神经网络进行故障识别分类,其样本分类准确率达到95.1%。因此,运用提出的方法,成功地使用声信号对传动齿轮箱进行了故障分类。