作为机械设备中最关键的传动部件，齿轮箱的运行状态直接关系到整台设备的使用性能，因此，采用必要的手段维护齿轮箱的健康运行已成为业界共识。本文以多小波分析作为特征提取的核心算法，以排列熵作为设备状态评价的主要指标，完成了故障信号的降噪分析、微弱故障的特征提取，以及不同尺度故障的分类辨识。论文研究内容如下:　　(1)为了提取被强烈背景噪声淹没的故障特征，研究了改进阈值策略的多小波循环平移降噪方法。在多小波降噪的理论支撑下，针对传统阈值方法的不足，并结合软、硬阈值函数的特点，建立了一种新的阈值函数;引入循环平移算法，解决了多小波降噪过程中产生的伪Gibbs现象。工程实践表明:改进阈值与多小波循环平移算法的结合，能够有效提取隐藏在背景噪声下的故障信息。　　(2)齿轮箱中的绝大多数机械故障，都伴随着振动信号的调制现象。但是，由于背景噪声干扰，加之复杂系统的多振源耦合效应，导致调制特征难于直接提取。因此，本文将能量算子解调与多小波包变换技术相结合，既实现了内、外圈复合故障信号的特征分离，也完成了轧机齿轮箱打齿故障的特征提取。　　(3)作为一项新的统计分析方法，排列熵在动力学突变的检测方面性能卓越。本文在机械设备的状态辨识中，引入排列熵分析方法，系统研究了排列熵的参数选择问题。利用不同状态下的轴承实验数据，以及长期运行的齿轮箱监测数据，通过排列熵统计与Boxplot箱图实现了设备的状态辨识。　　(4)针对损伤程度不同的轴承外圈故障，建立了以排列熵为分类指标的BP-Adaboost模式识别系统。基于多尺度排列熵和多小波包排列熵两种特征参数，实现了不同尺度轴承故障的分类辨识，为齿轮箱故障的智能化诊断提供了一种新思路。