作为机械设备中传递动力的关键零部件,齿轮箱有着连接、支撑以及传递动力的重要作用,一旦发生故障,将会影响整个机械系统运行时的安全性和可靠性,甚至给企业社会以及国民生产带来巨大的经济损失或者人员伤亡。因此,深入开展齿轮箱故障诊断和状态监测技术的研究,对有效保障系统安全可靠运行,避免工业生产中安全事故的发生,具有非常重大的意义。本文以齿轮箱高精度智能故障诊断为研究课题,以深度学习算法为核心技术手段,结合时频成像这一经典信号分析和处理方法,针对当前齿轮箱智能故障诊断技术中存在的几个关键技术难题进行了深入研究。主要研究内容可以概括为如下四个方面:（1）齿轮箱半监督故障诊断技术研究,针对基于有监督学习故障诊断模型过度依赖标签和基于无监督学习故障诊断模型诊断准确率不高的问题,提出了一种基于小波变换和生成对抗网络的齿轮箱半监督式智能故障诊断方法。首先,利用小波变换技术将一维时域振动信号转变成二维的时频图像;而后利用改进后的生成对抗网络实现齿轮箱的半监督故障诊断。与传统的基于有监督学习模型的故障诊断技术相比,本方法不需要对全部训练样本标注,只需要标记一小部分训练样本即可实现齿轮箱高精度的故障诊断;与基于无监督学习模型的故障诊断技术相比,本方法实现了更高的故障诊断准确率。最后利用两个实验案例证明了本方法的有效性。（2）齿轮箱复合故障诊断技术研究,针对目前的齿轮箱智能故障诊断技术大多只适用于单一故障模式,而对多种零件同时发生故障的齿轮箱复合故障模式并不适用的问题,提出了一种基于小波变换和多标签卷积神经网络的齿轮箱复合故障诊断方法。首先,利用小波变换将一维振动信号转变成卷积神经网络擅长处理的二维时频图像;其次,通过对卷积神经网络进行改进,并结合多标签分类,使之成为能够处理齿轮箱复合故障问题的多标签卷积神经网络;最后,将小波时频图像送入多标签卷积神经网络模型。该方法将小波变换、多标签分类和卷积神经网络巧妙结合在一起,充分利用了这三种方法的特点和优势,实现了齿轮箱复合故障模式下的智能诊断。最后利用两个实验案例证明了本方法的有效性。（3）齿轮箱数据增强和故障诊断技术研究,针对深度学习需要大量的训练数据而真实工业应用中数据有限且不平衡这一问题,提出了一种基于S变换、数据增强生成对抗网络和胶囊神经网络的齿轮箱智能故障诊断方法。首先,利用S变换将一维振动信号转变成二维的时频图像;其次,利用数据增强生成对抗网络生成更多的训练样本;最后,利用胶囊神经网络来完成齿轮箱的智能故障诊断。该方法充分利用了S变换的特征提取能力、生成对抗网络的数据生成能力和胶囊神经网络的图像识别能力,实现了齿轮箱的数据增强,提升了其故障诊断时的准确率。最后利用一个实验案例证明了本方法的有效性。（4）齿轮箱特征自动提取和故障诊断技术研究,针对齿轮箱传统特征提取技术严重依赖技术人员知识水平和工程经验的缺陷,以及直接使用一维卷积神经网络故障诊断准确率不高的问题,提出一种基于双流卷积神经网络和极限学习机的齿轮箱故障特征自动提取和智能诊断方法,首先,利用双流卷积神经网络超强的自动学习能力,提取出能够表征齿轮箱不同健康状态的特征空间;而后将这些特征作为极限学习机的输入,实现对齿轮箱不同健康状态的准确识别。与基于信号统计方法或者传统数据驱动方法的故障诊断技术相比,本方法具有自适应能力,实现了从原始振动信号中自动提取齿轮箱的故障特征,降低了对技术人员专业知识和工程经验的依赖;与直接使用一维卷积神经网络进行故障诊断的方法相比,本方法实现了更高的故障诊断准确率。最后利用两个实验案例和一个风电齿轮的工程实际案例证明了本方法的有效性。