齿轮是旋转机械系统中传递动力和改变速度的最重要的零部件之一。在循环载荷的冲击下,受润滑、温度和振动的影响,齿轮时常产生故障,这些故障如果得不到解决,将会造成传动系统甚至整个机械系统的瘫痪,造成重大安全事故和经济损失。对齿轮系统开展基于振动信号的健康状态评估依旧是目前最有效的解决手段之一。但是由于齿轮工作环境恶劣,振动信号传递路径复杂,导致采集到的信号受干扰严重,很难准确提取故障特征。针对这一问题,本文提出了一种基于粒子群算法优化MCKD(Maximum Correlated Kurtosis Deconvolution)的齿轮故障诊断方法,该方法具有较强的自适应提取齿轮故障特征的能力,能够准确定位故障发生的部位。同时,本文将其与概率神经网络算法相结合,能够有效提高故障分类识别准确率。本文主要研究内容包括:(1)分析了齿轮传动过程振动信号的形成以及齿轮在不同故障形式下时频域信号特征,并根据齿轮在局部故障情况下的时域信号特征构造了齿轮的时域仿真信号。介绍了信号分析的几种常用方法,通过对构造的信号进行预处理、特征增强和解调,对比分析了它们在提升齿轮故障仿真信号信噪比以及提取故障特征方面的能力。(2)提出了基于粒子群优化最大相关峭度反褶积的齿轮故障诊断方法,该方法通过改进粒子群算法的初始粒子分布和惯性参数的选择,有效克服了原算法容易陷于局部最优解的局限性。根据故障信号特征创建了极值差分评价函数,该评价函数能自适应提取包含最多故障特征的滤波后的信号。将该算法用于对脉冲特征的提取以及轮对跑合实验中齿轮故障的诊断,仿真和实验表明,该方法能有效克服最大相关峭度反褶积依赖于先验知识的局限性,并且能够很好地提取故障特征,判断故障发生的位置以及故障形式。(3)提出了将粒子群优化最大相关峭度反褶积算法与概率神经网络智能分类识别算法相结合的分类模型,并通过动力传动故障诊断综合实验台验证了该模型可有效提高概率神经网络算法的故障分类识别准确率。