传动系统作为机械设备的重要组成部分,一旦出现故障会导致机械运行状态偏离理想状态,从而导致重大安全事故。机械操作环境不可预测,外部条件恶劣,导致传动系统运行环境不稳定,长时间超负荷导致传动系统不可避免出现故障,机械传动系统难以拆卸,在平时的维护中,若其状态未知,直接进行拆卸可能会人为引入故障,导致对传动系统的二次破坏。因此对传动系统及其关键部件进行高效、精确地故障预警和故障诊断具有十分重要的工程意义。在故障预警与诊断领域,互信息多作为特征选择的度量指标,其作为构建网络架构和新目标函数的巨大潜力没有得到充分利用。针对该问题,本文提出了考虑互信息关联性的机械传动件故障预警与诊断方法,在特征提取、融合、泛化三个方面进行研究,旨在利用互信息理论指导模型进行特征学习,学习信号隐含特征,去除噪声干扰等影响,提高诊断系统对机械传动件故障预警与诊断的准确性、可靠性及鲁棒性。本文研究内容如下:（1）针对机械传动系统设计复杂,导致异常数据无法获取,同时其传动系统复杂,运行环境多变,难以采用普通方法对其运行状态进行表征的问题,建立了多尺度互信息变分自编码器模型用于直升机传动件状态监测。该方法引入辅助网络对信号与特征,特征与重构特征之间互信息关联性进行约束,采用编码-解码-再编码结构,利用特征与重构特征之间误差构建状态指数,排除了干扰信息,利用其构建状态指数可以提高模型鲁棒性。最后在三次指数加权移动平均算法的基础上,构建自适应阈值。试验证明,该方法在只使用传动件正常数据构建模型的情况下,对传动件早期故障发生时能够准确报警,并且能有效提升噪声环境下的检测精度。（2）针对机械在运行过程中受不平衡周期载荷、各个传动部件之间振动信号相互耦合,导致故障特征非常微弱,使用单模态方法无法全方位反映传动件的运行状态特性的问题,提出基于多模态交叉重构特征融合故障预警方法。该方法以多模态数据为输入,在网络中引入变分信息瓶颈,为各模态特征引入分布信息,提升模型鲁棒性,同时采用交叉重构的方式,保证特征在包含共有特征的同时拥有模态专有特征。最后为避免直接使用级联的方式进行特征融合,采用神经网络对模态特征进行融合。试验表明,该方法能够有效提取各模态特征,并能对其进行有效融合,提升模型对于机械运行状态的刻画,对环境扰动具有更强的鲁棒性。（3）针对机械传动件运行工况复杂,变工况变转速条件下目标域数据无法获取,导致现有故障诊断模型无法构建问题,提出了基于变分自蒸馏中心惩罚的故障诊断方法。该方法通过中心惩罚对于各源域工况的数据进行泛化学习,迫使模型学习各类别故障的本质特征。同时引入变分自蒸馏,通过信息瓶颈保证特征与任务之间的互信息关联性,提取含有任务相关所有信息,同时去除噪声等无关分类任务信息的影响。试验表明,添加中心惩罚损失之后的模型能够对不同工况故障进行泛化,同时添加变分自蒸馏的模型对于故障诊断有更高的精度,能够有效提升在无目标域样本情况下的故障识别率。