齿轮是旋转机械中重要部件,而齿轮的振动信号往往是非平稳、非线性的时变信号,针对这一特性,将一种自适应时频分析方法—局部特征尺度分解方法(Local characteristic-scale decomposition,简称LCD)引入到齿轮故障诊断中,进一步将该方法与时域、频域、多尺度熵等特征值相结合应用于齿轮故障诊断。论文主要研究内容及方法如下:首先,通过分析不同分解方法的优缺点,选出LCD分解方法并将它应用于齿轮振动信号的分解中。并对LCD的基本理论与齿轮的故障诊断现状进行阐述,介绍了齿轮的故障类型与振动机理。其次,对LCD的分解流程进行分析,将三次样条插值运用到LCD分解方法中,并进行仿真验证。LCD将采集的振动信号分解成不同的ISC分量,由于不同分量中含有的信息量有差异,将不同的筛选方式进行组合可以有效的解决单独依靠峭度准则或者相关系数准则等进行有效分量选取,存在丢失故障信息的不足的问题。因此,在研究峭度-相关系数准则的基础上提出新的融合方式。然后,将动力传动故障诊断综合实验台上采集的齿轮振动信号进行实验分析,采用时域、频域、能量熵与多尺度熵四大类特征值进行不同方式的融合,构建特征向量,输入支持向量机进行模式分类识别,对比多特征融合效果,选出最优的特征值融合方式。最后,将动力传动故障诊断综合实验台上采集的齿轮振动信号进行实验分析,构建特征向量,输入支持向量机进行模式训练,将传动系统典型故障模拟实验系统采集的齿轮振动数据进行实验分析,构建特征向量,输入支持向量机进行模式识别。再将某稀土钢板材厂夹送辊下减速机中齿轮产生的磨损数据进行实验分析,构建特征向量,输入支持向量机进行模式识别。通过对比实验结果,验证该方法的有效性与实用性。结果表明将有效分量的筛选与多特征融合运用于齿轮的故障诊断,可以得到较好的诊断结果,从而说明该方法是判断齿轮故障问题的有效方法。