齿轮箱常作为动力传导与部件之间相互连接的桥梁，在军工、汽车、各种用途的工程机械等现代的工业制造设备中得到了极其普遍的应用。因为其本身的组成比较的复杂以及工作场所的位置环境比较差，内部的齿轮、轴承等零件在运转过程中就会因为各种因素很容易使其受到损伤而产生一系列的故障。一旦发生故障，经常会带来一些连锁效应，直接导致整个设备甚至整个机械系统在运转时出现异常并造成生产事故，给企业造成重大的经济损失以及难以估量的社会负面效应。据统计，齿轮与滚动轴承故障约占齿轮箱故障的80%左右。因此，及时准确的对齿轮箱中的齿轮与轴承进行诊断保证其正常运转就显得非常有意义。　　振动信号的故障特征成分的提取在齿轮箱的故障诊断研究中是起到了决定性的作用，它直接反应了齿轮箱的故障诊断结果是否的准确。对此，运用变分模态分解理论，并结合形态平均滤波降噪、奇异值差分谱、对称差分能量算子、支持向量机等方法进行研究，具体内容如下：　　1)基于变分模态分解以及相关分析的齿轮箱故障诊断频谱分析方法的研究。针对传统的集合经验模态分解（Ensemble Empirical Mode Decomposition，EEMD）存在运算过程中的各模态没有有效分离而出现混叠、端点发散效应等缺陷，将变分模态分解方法(Variational Mode Decomposition，VMD)应用在齿轮箱的一些故障诊断中，分别与奇异值差分谱、对称差分能量算子解调、形态平均滤波降噪相结合，对齿轮箱中的关键部件滚动轴承、齿轮进行故障诊断，验证这些方法的可靠性以及优越性。　　2)基于AFSA-SVM状态辨识模型的齿轮箱关键部件故障诊断研究。针对支持向量机中自身的结构参数往往依据人为的经验来选取，导致分类模型的精度会出现比较差的问题，利用人工鱼群算法(Artificial Fish Swarm Algorithm，AFSA)优化支持向量机(Support Vector Machines，SVM)参数中惩罚系数与核宽度系数，寻找其最优的参数组合，以此来提高SVM故障辨识模型的分类精度。首先，对采集的信号进行形态平均滤波降噪以及 VMD分解，提取各分量的能量熵与排列熵，组合构建了多维的特征向量集；然后，将组合特征向量集作为 AFSA-SVM的输入并进行训练并得到较好的参数组合，根据此参数建立 AFSA-SVM状态辨识模型，进行齿轮箱不同状态的识别。　　基于变分模态分解与AFSA-SVM相结合的齿轮箱关键部件故障诊断应用研究。