齿轮箱作为连接和传递动力的通用零部件，在航空、电力系统、农业机械、冶金机械等现代工业设备中得到了广泛的应用。但由于本身结构复杂，工作环境恶劣等原因，其内部的齿轮、轴承等部件极易受到损伤而出现故障。若发生故障，极有可能引起连锁反应，导致重大经济损失。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，对齿轮箱中的齿轮与轴承采取行之有效的方法和手段进行状态监测和故障诊断，对保障齿轮箱正常工作具有重要的意义。　　本文基于齿轮箱关键部件振动信号，针对信号特征“难表述”与最大化分类性能参数难确定导致“精度差”这两个问题，运用小波包降噪理论，并结合时域、频域统计分析方法、时频域EMD方法、支持向量机等进行了深入研究，内容如下：　　1）选取课题所用信号降噪方法。论述小波与小波包的基本原理，并将两种降噪方法用于仿真与标准实验信号中，效果对比后确立小波包为本课题的滤波方法。　　2）研究时域、频域、时频域分析方法进行齿轮箱故障特征提取的特点。介绍了一些时域与频域分析方法，通过对美国凯斯西储大学实验室所得滚动轴承4种典型故障信号进行分析，得出相应的时域与频域统计指标作为不同故障的表征特征。同时介绍了时频域中EMD理论，首先将振动信号分解为表征信号细节特征的各本征模式分量；后用与原信号相关程度较大的本征模式分量求取能量特征与Hilbert包络谱奇异值特征，并分析两种指标对于不同故障的表征能力。　　3）建立PSO-SVM齿轮箱关键部件振动信号故障辨识模型。根据支持向量机算法的原理，提出一种粒子群优化支持向量机参数的故障辨识方法，即利用粒子群算法随机搜索的特性来寻找支持向量机中惩罚系数与核宽度系数的最优参数组合，以期得到一种分类性能最为优良的PSO-SVM故障辨识方法。　　4）对本文提出的研究方法进行实验验证。通过美国Spectra Quest公司动力传动故障诊断综合实验台不同故障零部件的更换，并采集了各工况下的振动信号。对信号进行小波包降噪与时域、频域和时频域分析且提取特征值，并将特征值作为PSO-SVM的输入，进行齿轮箱不同故障状态的智能辨识。　　实验结果表明：时域、频域、时频域特征所组合形成的多特征能全面表征不同故障状态；PSO-SVM方法具有比BP与SVM方法更强的分类性能。本文所提方法对于齿轮箱中齿轮与轴承的故障诊断具有一定的参考价值。