齿轮箱故障诊断技术对于齿轮箱及其相关设备的持续稳定工作有着不可或缺的作用。齿轮箱信号成分复杂,传统时频分析方法已不再适用,近年来,自适应时频分析方法被广泛用于齿轮箱故障诊断中。作为近年来提出的一种自适应时频分析方法—数据驱动时频分析（Data-driven Time–Frequency Analysis,DDTFA）,该方法可通过求解非线性优化问题获得信号的最稀疏表示。DDTFA方法具有严谨的数学逻辑与理论,综合了经验模态分解（Empirical Mode Decomposition,EMD）方法与稀疏优化的优势,能够快速分解非平稳信号,并能有效抑制模态混叠与端点效应等问题,但其初始相位函数（ θ₀）估计直接影响方法的收敛性、精度和效率,因此对该方法 θ₀的自适应估计进行研究,是其应用于齿轮箱故障诊断的关键。论文课题选自国家自然科学基金项目（批准号:51605151）,首先对DDTFA方法进行了相关的理论探讨分析,然后重点针对其 θ₀估计问题,提出了两种可准确估计 θ₀的方法以用于齿轮箱故障诊断。论文主要内容如下:（1）对DDTFA进行理论研究,结果表明: θ₀与理论相位函数差值频率越低,幅值越小,DDTFA方法的分解结果越准确;分析验证了DDTFA方法基本遵守各分量能量由强到弱的理论分解顺序,但更倾向于优先分解出与其字典原子形式相近的信号分量;并对DDTFA方法针对时变非线性非平稳信号的适应性进行了研究与探讨。（2）为解决DDTFA方法中 θ₀的估计问题,引入零相位数字滤波器（Zero Phase Digital Filter,ZPDF）,以信号傅里叶频谱最大峰值对应的频率为其中心频率,提出了可准确估计 θ₀进而完成信号分解的ZPDF-DDTFA方法。仿真分析与实例应用表明:该方法能准确估计信号分量的 θ₀进而准确完成信号分解;并能有效提取变转速齿轮断齿故障特征,优于EEMD;结合1.5维谱能有效诊断轴承裂纹故障。（3）针对DDTFA方法的 θ₀估计问题及ZPDF-DDTFA方法需设置带宽、波纹缺乏自适应的问题,提出了一种可准确、快速且自适应估计 θ₀的完全自适应DDTFA（Completely Adaptive DDTFA,CADDTFA）方法。引入数学中函数求极值的思想,将信号的 θ₀估计问题转换为初始解集的连续寻优问题,通过对DDTFA中的Gauss–Newton迭代算法进行精简,以初始解集中的 θ₀迭代一次斜率的变化量为导数获得初始解集的连续导数集,进而求得局部极大值,并以局部极大值对应信号分量的能量最强为准则优选信号的 θ₀,进而完成信号分解。仿真分析与齿轮箱故障诊断实例（变转速齿轮断齿故障与齿轮箱复合故障）表明,该方法可准确、快速且自适应地优选 θ₀,并有效提取故障特征,优于EEMD,且具有一定抗噪性。（4）分别将ZPDF-DDTFA方法、CADDTFA两种方法用于行星齿轮箱故障诊断,仿真分析表明,ZPDF-DDTFA、CADDTFA两种方法均能有效分解单分量、多分量太阳轮局部故障仿真信号,分解精度优于EEMD方法;太阳轮断齿故障诊断实例表明,ZPDF-DDTFA方法不能有效诊断太阳轮断齿故障,而CADDTFA能有效诊断太阳轮断齿故障,且故障特征较EEMD方法更为明显。