刮板输送机是一种典型的低速重载机械,主要用来运输采煤机从煤壁上所截割的煤块。作为采煤工作面必不可少的运输机械,刮板输送机减速箱齿轮一旦产生故障,将对采煤效率以及矿工人身安全带来严重影响。传统的齿轮故障诊断技术往往利用振动信号,然而由于刮板输送机工作面有防爆要求并且具有空间狭小、环境恶劣的特点,因此不便安装传感器获取振动信号。而电流特征分析法（MCSA）是一种无需传感器安装的故障诊断方法,更容易在矿井下实现。刮板输送机的负载受落煤量以及工作面地形因素的影响,从而对电流产生冲击。同时,直接采集到的电流信号中往往存在着强烈的电流工频分量,会导致齿轮故障特征被覆盖。因此本文提出了一种基于小波包分析以及希尔伯特变换（WPT-HT）的电流预处理方法。针对刮板输送机负载波动大,通过小波包分析来提取齿轮故障频段信号,从而过滤掉含有负载波动干扰的频段。针对强烈的电流工频干扰,通过幅值解调的方法来抑制工频分量,从而增强齿轮故障特征。时频分析是一种综合了信号时域以及频域分布信息的信号处理方法,通过时频分析手段将预处理后的电流信号转换为二维时频图像,并且提取时频图像中的故障特征就可实现齿轮故障识别。此外,本文通过双谱分析方法对时变负载下齿轮故障特征的变化规律进行了研究,这为时频分析方法生成蕴含了不同负载工况下齿轮故障特征的时频图像提供了选择电流的理论依据。基于此,本文分别通过小波时频分析以及短时傅立叶变换生成了齿轮多故障分类数据集,这两种数据集均包括了齿轮正常、磨损、点蚀以及断齿状态下电流故障频段的时频图像。当前,卷积神经网络在图像特征识别领域已经应用的十分成熟。因此,本文提出了一种结合了时频分析与深度卷积神经网络（DCNN）的齿轮多故障诊断方法。该方法将齿轮故障诊断问题转化为了图像分类问题,这极大的方便了对齿轮故障的诊断。最后,本文对比了两种数据集的诊断效果,并且对齿轮诊断模型进行了可视化分析。