齿轮箱作为机械传动系统的关键组成部件,具有结构紧凑、工作平稳、传动比稳定、效率高、负载能力强、使用寿命长等优良特性,广泛应用于汽车船舶、铁路运输、数控机床等重型机械的传动系统中。由于结构复杂、服役环境恶劣、常在变速变载等变工况条件下运行,齿轮箱极易发生各种类型的故障。在齿轮箱运行过程中,若不能及时根据其状态监测数据对发生的故障进行准确识别,随着故障的发展,齿轮箱的健康状况持续恶化,将导致其运行的可靠性和平稳性得到破坏,严重的甚至会引起生命财产损失。因此,齿轮箱的状态监测和故障识别方法研究对于现代工业生产具有重要意义,也是现代工业应用中迫待解决的问题之一。在实际工业场景中,一方面由于服役环境恶劣多变,齿轮箱常运行在变转速工况下;另一方面,在齿轮箱状态监测数据中,数据价值密度低、标签样本较少会导致状态监测数据集出现小样本问题。面对变转速工况以及状态监测数据集的小样本问题,传统齿轮故障识别方法容易失效,导致故障识别精度不高。因此,本文以齿轮为研究对象,基于深度网络模型,开展面向实际工业场景中变转速工况以及小样本情况下的齿轮故障识别方法研究,具有重要的学术意义和工程价值。本文以深度网络模型为基础,利用信息融合学习算法,开展了针对实际工业场景中变转速工况以及小样本情况下的齿轮故障识别方法研究。具体内容包括以下四个方面:（1）针对实际工业场景中变转速工况下传统智能故障识别方法故障识别能力不足的问题,提出了变转速工况学习模型。将变转速工况下的故障-特征映射信息分别提取并保存到不同的转速节点子模型中,并利用含有转速工况信息的权重矩阵对各节点子模型的识别结果进行融合得到最终的故障识别结果,实现对变转速工况下的转速-特征映射信息的学习与提取;（2）针对实际工业场景中变转速工况下,学习模型对未知转速样本的故障识别能力不足的问题,提出了基于动态权重卷积神经网络的变转速齿轮故障识别方法。将变转速工况下的故障与特征的映射信息及特征随转速的分布信息分别提取并保存到不同的网络单元中,并通过信息融合学习算法对各单元的分析结果进行融合得到最终的故障识别结果,提高了网络模型的鲁棒性与泛化性;（3）针对实际工业场景中齿轮箱状态监测数据标签数据稀缺导致故障识别模型的训练集出现的小样本问题,提出了基于小样本数据的卷积神经网络复杂工况齿轮故障识别方法。将迁移学习的思想、方法与信息融合学习算法进行了结合,为小样本情况下齿轮故障的准确识别提供了有效的解决途径;（4）搭建齿轮实验台,设计五种齿轮局部故障实验,采集多转速、多故障类型齿轮振动信号,构建齿轮故障样本集;对本文提出的基于卷积神经网络的复杂工况齿轮局部故障识别方法的诊断能力与精度进行了分析,验证了本文提出的齿轮故障识别方法在变转速工况以及小样本情况下的合理性与有效性。