随着工业化水平的快速发展,现代工业中的机械设备的功能发展地越来越丰富、强大、高效,机械设备的安全性和可靠性保障成为了一个不可忽视的问题。齿轮箱是机械设备中的一种最为常见的传动装置部件。由于负载强度大、长时间运行、运行状况复杂等原因,齿轮箱在工作的过程中可能会出现各种异常问题,甚至可能还会引发生产停滞、经济损失、人员伤亡等事件的发生,因此,开展齿轮箱的智能故障诊断方法研究具有十分重要的现实意义和应用价值。本文研究了基于深度学习的齿轮箱智能故障诊断方法,主要研究内容如下:（1）针对传统齿轮箱故障诊断方法依赖人工特征选择、存在繁琐的预处理过程的问题,为了充分地发挥深度学习自适应提取特征的能力,提出了一种基于一维卷积、双向长短时记忆网络和注意力机制的齿轮箱智能故障诊断方法。该方法通过一维卷积和双向长短时记忆网络自适应地学习振动信号中故障特征,同时结合了注意力机制以增强有效故障特征的识别能力。最终将提出的方法在东南大学齿轮箱数据集和凯斯西储大学轴承数据集上进行了实验应用,实验表明所提出的方法能够直接基于原始信号进行故障诊断,有着较为出色的故障识别精度,在齿轮的两种工况下分别达到了99.91%和99.80%的故障识别准确率,并在不同工况下故障诊断的效果具有稳定性,在轴承的混合工况的故障识别率能够达到99.79%。（2）针对噪声环境下故障诊断模型的诊断精度不佳的问题,同时为了提高模型的训练效率,提出了一种基于多尺度Transformer、卷积神经网络和迁移学习的齿轮箱故障诊断方法。该方法通过多尺度粗粒度处理过程获取多个尺度的信号数据并在一定程度上过滤随机噪声,通过Transformer和卷积神经网络进行多尺度学习,从多个尺度的数据中获取丰富、互补的故障特征,并采用迁移学习的方式对模型进行训练,提高模型的训练效率。最终利用东南大学齿轮箱数据集和凯斯西储大学轴承数据集以及帕德博恩大学轴承数据集进行了多组实验,对轴承和齿轮箱的故障识别率都达到了99.50%以上,验证了模型具有良好的故障诊断效果,并且在信噪比为-6d B的情况下准确率能够达到92.98%,验证了该方法在噪声环境下具有出色的鲁棒性。