变速器的故障分类识别实质上是机器学习的识别过程。通常情况下,从未知的原始故障状态到学习后可分类识别的状态,均需要经过故障特征提取、故障特征选择与优化、分类器设计和分类识别结果评价等几个过程。但故障特征与故障本身属性紧密相关,提取合适的特征往往相对复杂、艰难,且由于人工参与因素,大大增加了特征提取与优化的不确定性,也增加了变速器故障分类识别的难度,削弱了机器学习的智能性。本文引入深度学习概念,并以深度信念网络为代表应用于机械故障分类识别中。以常用的振动信号统计特征为网络输入,对轴承类型故障及不同程度故障同时识别,较高的分类正确率证明深度信念网络在机械故障智能识别方面具有很强的可行性。深度信念网络是一种通过组合低层特征形成更高层抽象表示,并发现数据分布式特征表示的学习网络。在深度信念网络基础上,构建深度信念重构网络,通过重构仿真信号分析可知,重构信号与原始信号存在较小差异,说明能从深度信念网络的高层低失真度地恢复原始数据,即高层在一定程度上能表征低层数据特征,网络具有保持原始数据信息能力。鉴于深度信念网络的特点,本文提出直接从原始数据出发对故障状态进行分类识别的新方法。该方法避免了人工特征提取与优化过程,减少了人工参与因素,增强了机械故障诊断的智能性。在以原始数据作为网络输入时,数据量相对较大,对计算要求也相应提高。引入时间复杂度的概念,计算算法的时间复杂度和偏导数,优先调节时间复杂度偏导数较大的参数,可有效的控制计算成本。通过轴承故障和变速器复杂故障的分类识别实验可验证:深度信念网络可以直接从原始数据对故障进行较准确的分类识别,增强了故障分类识别的智能性。