齿轮是机械设备中最常见的传动部件，同时也是一种易损件。齿轮的技术状态的好坏直接影响整台设备或整套机械化系统可靠运行。因此，研究齿轮故障对于降低设备的维修费用，提高产品的质量和市场竞争力，具有很大的经济效益和社会效益。 神经网络具有很强的并行性、容错性和自学习能力，通过对典型样本的学习，完成知识的获取，并将知识分布存储在神经网络的拓扑结构连接权值中，用来对未知样本进行识别。 本文以齿轮箱为研究对象，在齿轮正常、齿根裂纹、齿面非正常点蚀三种模式下，对振动信号加以分析，运用“小波包—能量”法提取出信号特征量，作为神经网络的输入向量，采用包括有输入层、单隐层和输出层的BP网络。针对齿轮的三种模式进行识别，对网络进行有教师的训练，分别对网络用于两种模式和三种模式的训练、识别情形进行了比较。该方法不需要对诊断系统建立模型结构，利用频率成分的能量变化来识别不同的模式。BP网络具有较好的自学习能力和容错性。研究证明：运用该方法提取出不同模式的信号特征，BP网可以有效地将模式区分开来。 在数据分析过程中，将VB在图形用户界面方面的优势与MATLAB强大的计算及绘图功能结合起来，开发了一个友好用户界面，充分利用了MATLAB的资源，并实现了数据直观有效的分析。