近年来,在智能制造和大数据的背景下,机械设备的故障诊断技术正朝着高效、智能的方向发展,而齿轮箱作为机械设备中不可或缺的部分,其故障检测分析研究,对设备的安全可靠运行以及避免人员伤亡有着重要意义。目前,基于深度学习的齿轮箱故障诊断方法研究是故障诊断领域的一个热点。然而,现有的故障诊断方法存在诊断准确率不高,泛化能力弱的问题。为此,本文利用卷积神经网络和迁移学习研究齿轮箱故障诊断问题,提出新的故障诊断模型与方法,以提高齿轮箱故障诊断的准确率和模型的性能。论文研究的主要内容如下:（1）介绍课题的研究背景和意义,综述了齿轮箱故障诊断的国内外研究现状,重点阐述了机器学习和深度学习在齿轮箱故障诊断方面的应用,进而引出本文的研究内容。（2）分析了齿轮箱中齿轮和轴承等零件失效的形式和引发齿轮箱故障的原因。详细介绍了深度学习算法中卷积神经网络模型的各层结构和训练过程,以及迁移学习的基本概念、分类与方法,为后文的研究提供理论基础。（3）针对经典一维卷积神经网络模型在齿轮箱故障诊断方面存在准确率不高、泛化能力弱等问题,提出一种基于改进一维卷积神经网络模型的齿轮箱故障诊断方法。该模型第一层卷积采用大卷积核,其余均采用小卷积核,以获得更大的感受野,在卷积层后加入批量归一化层,以提升模型的收敛速度,在前向传播中,在全连接层中加入dropout方法,来抑制过拟合的问题,采用Adam的自适应算法,以优化模型的参数。实验结果表明,相比于其他对比方法,所提方法在故障诊断准确率方面和模型的泛化能力方面均有较大提升。（4）第三章所提方法主要适用于相同工况样本数据下的故障诊断,为研究不同工况样本数据下的齿轮箱故障诊断问题,提出一种基于迁移学习的故障诊断方法。该方法将第三章改进一维卷积神经网络模型作为迁移学习的预训练模型,在用一种工况样本数据对预训练模型完成训练后,将模型迁移到不同工况样本数据下进行测试。基于轴承和齿轮样本数据实验结果表明,相比于第三章提出的方法,该方法同样获得了很高的故障诊断准确率,且模型的收敛速度更快,稳定性好。