随着制造业水平的不断提高,工业机器人由于具有工作可靠、工作效率高等优势,被广泛应用于制造业中。谐波减速器具有传动比大、传动精度高等优点,被广泛应用于工业机器人末端关节。作为工业机器人的核心部件,谐波减速器高精度运行保证了工业机器人的精准动作,其健康状态直接决定了工业机器人的运行精度。因此对谐波减速器进行健康状态评估是必要的。工业机器人机械臂通常作周期性往复式运动,同时往复运动中频繁的启动与加、减速导致谐波减速器转速瞬变,使得所获取的信号呈现出典型的瞬变特性,给谐波减速器运行状态刻画和健康状态评估带来巨大挑战。基于此,本文以工业机器人谐波减速器的健康状态评估为目标,围绕运行状态信息刻画、多传感器信息融合等几个方面开展研究,主要内容如下:（1）针对工业机器人谐波减速器循环往复运动、转速瞬变从而导致其运行状态难以刻画和健康状态不易评估的问题,提出了基于整周期数据和卷积神经网络的谐波减速器健康状态评估方法。首先运用谐波减速器整周期数据样本准确刻画其运行状态信息,其次应用连续小波变换对整周期数据进行分解以充分展现谐波减速器运转周期内的瞬变特征,最后利用卷积神经网络充分学习谐波减速器的瞬变特征从而实现对谐波减速器健康状态评估。（2）由于工业机器人谐波减速器工况循环往复,仅依靠单一传感器难以刻画其运行状态全貌且会导致健康状态评估结果不确定性高,提出了多传感器信息深度融合的谐波减速器健康状态评估方法。运用基于小波变换的图像融合将多个传感器的时频信息进行融合以全面刻画谐波减速器运行状态,利用卷积神经网络自动学习融合图像的深度特征以实现健康状态评估。（3）由于目前工业机器人谐波减速器健康状态评估多以振动信号为载体,需要外加测试系统,增加了数据获取难度及成本,且其准确性和有效性受传感器安装位置影响。基于此,提出电压信号深度特征学习的谐波减速器健康状态评估方法。利用工业机器人电机电压信号对谐波减速器健康状态进行表征,使用连续小波变换将电压信号转换成时频图,最后利用卷积神经网络对电压信号时频信息进行自学习以实现健康状态评估。论文最后对所做工作进行总结,并且展望了下一步的研究。