行星齿轮箱作为工业应用中部署最广泛的机械设备之一,是保障机器运转的关键基础部件。因此,对行星齿轮箱的状况进行监测和评估,是保障相关设备正常运行的重要手段之一。但是,行星齿轮箱由于结构繁琐、工作条件恶劣、噪声干扰大、运行状态多变等因素的影响,导致行星齿轮箱的振动监测信号表现形式复杂,使得基于先验知识的故障特征提取理论难以获得有效的状态信息,致使行星齿轮箱的状态的识别容易出现误判。针对上述问题,本文提出了一种深度学习的行星齿轮箱故障诊断方法,无需先验知识,直接从原始信号中学习特征,并自动识别故障。首先,根据深度学习相关知识,搭建卷积神经网（CNN）的架构。依据行星齿轮箱振动信号的特点,引入注意力机制（ATT）技术,提出注意力机制的卷积神经网络（CNN-ATT）故障诊断模型。利用CNN强大特征提取能力学习齿轮箱故障特征,接着采用ATT自适应的获取特征的重要程度,并根据这个重要程度增强能表征故障信息的特征,对无效的特征进行抑制,使网络获得更多的判别信息。通过实验验证,该方法对行星齿轮箱载荷恒定工况下有较好的诊断性能。然后,针对CNN-ATT模型在负载变化情况下诊断识别率低的问题,提出Sinc函数对模型结构进行优化。采用参数化Sinc函数设计滤波器,并取代模型的第一个卷积层的滤波器,使之对信号提取特定范围的特征,滤除与故障无关的信息,为后面的网络层提供相关性更高的特征,提高网络的判别性能,解决载荷变化工况下行星齿轮箱的故障诊断能力欠佳的问题。通过实验证明,优化后的模型显著提升了载荷变化情况下行星齿轮箱的诊断能力及变载自适应性。最后,为探讨Sinc函数设计的滤波器的决策基础是否与人类经验一致,随机选择信号样本,送入到训练好的模型中,并对设计的滤波器处理后输出的特征图可视化,同时与其它模型的滤波器对信号处理后比较。结果表明,Sinc函数设计的滤波器表现是最好的,可以有效滤除与故障无关的信息,重点关注的信号的主要特征,初步对模型的诊断性能进行了解释。