伴随着全球范围的能源危机和环境污染的负面影响，对新型能源的开发利用是急需解决的问题。风能作为无污染的可再生能源，越来越得到重视。随着工业和经济的发展，全球对电力的需求也在不断增大，风力发电是是一个现实的选择。作为风力发电重要部件的齿轮箱，结构复杂，自动化程度较高。由于齿轮箱属于大型旋转机械，同样也伴随着较高的故障率，本文就是在这个背景下，拟开展对风力发电齿轮箱的多源故障特征信息融合方法研究，力图找出提高风力发电齿轮箱故障诊断率的有效方法。　　 不确定处理方法的数学框架问题一直是困扰不确定理论发展和应用的重要原因，一个合理地、有效地数学框架可以将各种不确定信息(模糊信息、随机信息等)统一在这个框架下进行融合。由于随机集理论是一种能够有效地统一多种不确定性理论的数学工具，因此利用它研究多源不确定信息便成为目前的热点。本文将以随机集理论作为本为研究的数学理论基础。　　 在信息融合中，证据理论作为不确定信息的处理方法，在很多领域已得到广泛的应用。但是证据理论同样存在许多未解决的问题，如证据理论中基本概率分配函数(BPA)获取问题、证据理论的冲突问题等。基于这些问题，本文提出了适合风力发电齿轮箱这个具体情况的BPA获取方法，即基于随机集的粗糙集-BP神经网络获取BPA。针对证据间冲突问题，提出了两种方法，一种为改进证据理论的方法，另一种为随机集下的信息熵方法，并通过数值试验证明了其有效性。　　 最后，本文还将上述方法和理论应用于风力发电齿轮箱具体实例中分析研究，得到了较好的故障诊断准确性。