齿轮箱作为机械传动的核心部件被广泛的应用于石油化工、交通运输、工程机械和航空航天等众多领域,其运行状态的好坏,直接关系到了整台设备的可靠性,因此有必要对齿轮箱开展故障诊断研究,这对于设备的健康运行具有十分重要的意义。本文主要以齿轮箱故障特征为研究对象,以齿轮故障特征提取为主题,通过对经验小波分解算法分析的基础上,提出了一种基于频谱趋势进行边界划分的改进经验小波算法,并将其与自相关降噪方法相结合应用于齿轮微弱故障特征提取。本文所作的工作和主要研究内容总结如下:（1）改进EWT算法的提出。经验小波变换（Empirical Wavelet Transform,EWT）通过提取信号频谱的极大值,以相邻的两个极大值中点作为频谱划分的边界,从而实现对信号频谱的自适应分割,当其对齿轮振动信号进行分解时,可能会将齿轮啮合频率及其谐波与它们相对应的幅值较大的边频成分划分到两个不同的频带上,导致频带划分不合理。针对这一问题,提出了一种采用频谱趋势进行频谱边界划分的改进经验小波变换（Improved EWT）算法,可依据信号频谱变化规律,实现依据信号频谱局部特征的自适应分解。通过仿真分析,及与EMD和EWT的对比分析,验证了改进EWT算法在处理复杂多分量信号时的有效性和优越性。（2）改进EWT算法在齿轮微弱故障特征提取中的应用。在仿真实验的基础上,采用改进EWT算法对齿轮全断齿故障振动信号进行故障特征提取分析,验证了改进EWT算法可以依据信号频谱局部特征实现对信号的自适应分解,齿轮振动信号中各级齿轮啮合频率及其倍频与它们相对应的边频带都被完整独立的划到了不同的子频带,有效地将断齿齿轮的故障特征提取了出来。并通过与EMD以及EWT算法的对比,表明了本文所提出的改进EWT算法具有更好的故障特征提取效果。（3）自相关特征增强改进EWT方法的应用。齿轮局部断齿故障的故障特征相对于全断齿故障更加隐蔽;而分布性磨损故障特征较局部断齿更为微弱,更加难以提取,仅采用改进EWT算法也难以有效提取。针对这一问题,本文将改进EWT算法与自相关降噪相结合,充分发挥两种算法各自优势,形成了一种新的故障特征提取方法,并将其用于齿轮低频微弱故障特征提取之中。首先,采用改进EWT算法对齿轮故障信号进行自适应分解;其次,采用自相关降噪对提取的分量进行特征增强;最后,通过对分量进行幅值谱与包络谱分析,实现齿轮微弱故障特征提取。仿真与实验结果佐证了本方法的低频微弱故障特征提取的有效性和优越性。