旋转矢量（Rotate vector,RV）减速器是工业机器人的核心部件之一,在工业自动化领域有着广泛的应用。在减速器常见的故障类型中,齿轮故障会对传动系统的稳定性和安全性产生较大的影响,对其进行及时诊断能够有效降低系统的维护成本。然而,传统的基于振动信号的齿轮故障诊断方案,存在设备成本较高、使用难度较大等问题。因此本文使用采集成本较低的电气信号结合解卷积方法,对RV减速器齿轮故障诊断方案进行研究。首先,本文针对单级齿轮传动系统和RV减速器齿轮系统进行建模。针对单级齿轮传动系统的裂纹、断齿等典型的齿轮局部故障,以及RV减速器的磨损等典型分布式故障进行机理分析。当系统存在上述齿轮故障时,系统的啮合刚度受故障影响产生变化,进而将故障特征反映在电机电流、转速等信号的波动中。搭建单级齿轮传动故障诊断平台,对比不同实验条件下的电流信号特征,对上述机理分析结果进行了验证。针对电流信号中,齿轮故障特征提取困难的问题,设计基于解卷积方法的齿轮故障诊断方案。对比研究最小熵解卷积和最大相关峭度解卷积（Maximum correlated Kurtosis deconvolution,MCKD）方法的故障信号提取效果。针对原始信号存在的信噪比较低的问题,结合经验模态分解对信号进行重构,提升信号信噪比。针对MCKD方法存在的参数选取复杂问题,使用遗传算法优化参数选取过程,降低了参数选取的难度,提升了诊断算法的稳定性。在单级齿轮传动平台上,对算法的有效性进行验证。为了对RV减速器齿轮分布式故障进行诊断,开展减速器故障特征研究与分析。搭建RV减速器齿轮故障测试平台,开展齿轮分布式故障测试实验。对故障减速器的时域、频域、温度等特性进行分析,研究缺乏润滑、齿轮磨损对系统特性产生的影响。基于传统时域和频域方法,对不同故障程度的减速器相关特性进行研究,研究结果与机理分析相吻合,即齿轮分布式故障对系统啮合刚度产生的影响,表现为含啮合频率在内的多个频率幅值变化。使用解卷积方法,对减速器齿轮故障进行诊断研究,对比分析不同参数设置对诊断结果产生的影响,证明了遗传算法对诊断稳定性的提升。通过对解卷积算法的改进,实现了对减速器齿轮故障较为有效的诊断。