行星齿轮箱具有承载能力强和传动比大的特性,在煤炭能源、先进制造和风力发电等工业领域得到广泛应用。但由于这些工业领域工作环境异常恶劣,行星齿轮箱内部传动结构复杂,再加上噪声干扰的影响,工作时经常出现振动信号相互耦合的现象。这些综合因素使得行星齿轮箱状态检测与故障维护难度增加。此外,在行星齿轮箱故障诊断试验中,传感器布置的数量,直接影响着诊断成本,所以利用有效数量的传感器来准确的诊断故障显得尤为重要。针对行星齿轮箱故障诊断成本高,故障信号采集困难,振动信号相互耦合和故障诊断不准确等问题,结合深度学习强大的数据挖掘能力,提出一种基于测点优化与深度学习的行星齿轮箱故障诊断新型方法。本文以行星齿轮箱为重点研究对象,将故障诊断技术结合深度学习算法的优势进行研究,首先对深度学习理论进行深入研究,对比分析Alex Net和Res Net两种深度神经网络模型结构,将这两种网络结构模型用于行星齿轮箱的故障诊断。然后在实验室行星齿轮箱故障诊断实验台上开展故障模拟实验。在行星齿轮箱和斜齿轮箱上布置11个信号采集测点,人为设置单故障工况外加复合工况,共五种工况进行振动信号采集。接着,对采集到的五种工况的振动信号,应用多维集成总体经验模态分解（MEEMD）和局域均值分解（LMD）进行信号处理。然后,运用特征相关分析法进行对有效分量的相关性分析,进行测点优选,优选结果通过ALNAFSA-BP网络验证其有效性。其次,运用优选测点MEEMD与LMD分解的有效分量组成融合特征,利用上述两种深度卷积神经网络结构对融合特征分别进行分类,对比分析较优网络。设置优选测点的原始数据、单分解方法有效分量特征、融合特征的诊断准确率进行对比分析。结果表明:优选测点的有效分量融合特征,运用深度残差网络（Res Net）在行星齿轮箱故障诊断中取得了良好的效果,有很高的识别准确率。最后,通过与最新的同实验平台优秀诊断方法进行对比,发现该方法在大样本条件下,诊断准确率最高,达到了97.2%。结论表明,结合深度学习算法的优势,利用特征相关分析法筛选出的较优测点融合特征进行识别诊断,可以形成一套较优的基于测点优化与深度学习的行星齿轮箱故障诊断新型方法。