行星齿轮箱的体积虽小却拥有更大的承载能力和更平稳的运行优势,所以在航空、新能源电力等众多领域中被普遍地使用。但行星齿轮箱一直运行于高强度高负载荷的恶劣工作环境中,内部的关键元件极易失效,如果任其进一步发展会造成设备的毁坏甚至造成更严重的后果。为了准确地识别出其故障模式和实现机械设备能够安全长久运行的目标,所以应用图像特征和高斯过程的方法对行星齿轮箱齿轮故障开展诊断研究。本文首先详细分析了行星齿轮箱结构特点、振动信号特点、关键元件易发生的故障以及发生原因。在此基础上,使用型号为HFXZ-1型行星齿轮箱故障诊断试验平台进行信号的采集与研究工作,完成了行星齿轮箱在6种工况中振动信号的采集实验,并分析了振动信号时、频谱的特点,发现所采集的振动信号成分复杂,通过传统谱图难以准确诊断出故障的模式。第二,结合行星齿轮箱故障诊断研究现阶段的发展状况和研究技术的难度,提出采用时频分析方法对信号进行处理,利用仿真信号证明了S变换时频分析方法可以不受线性交叉项干扰比较无损失的保留信号特征,避免了图像失真的问题并成功获得了振动信号的时频分布图像。第三,考虑到提取传统特征值会受到多方面因素影响,从而不能充分准确地反映故障本质的问题,融合了图像处理领域的技术方法,利用局部二值模式提取出行星齿轮箱振动信号时频分布图像的图像纹理特征来表征其运行的状态。第四,借助高斯过程模型在机器学习识别方面的优势,通过特定的核函数和特征集构建适用于行星齿轮箱的高斯过程模型并进行故障诊断得到故障模式的最终识别结果。最后,结合信号时域特征和极限学习机识别方法进行对比实验,实验结果证明了本文提出利用时频分析方法和图像特征的有效性,验证了多领域技术相融合能更准确、更全面地反映行星齿轮箱运行状态信息,本文方法的迭代次数和消耗时间较少且准确率达到91.67%,均优于其他方法,进一步证明了应用图像特征和高斯过程的故障诊断方法在识别行星齿轮箱齿轮故障模式方面的优越性。