齿轮箱是重要的机械传动装置,并且通常工作于大负载、大转矩、高温等复杂环境,这导致齿轮箱故障频发。齿轮作为齿轮箱中主要的承载部件,其故障也是齿轮箱失效的主要原因,因此对齿轮箱的故障诊断有很大研究意义,本文针对齿轮箱的故障诊断主要针对齿轮箱中的齿轮,具体研究内容如下:（1）齿轮箱振动信号具有非平稳、非线性、信噪比低等特点。针对故障信号信噪比低、故障特征不明显的问题,选用FOA-VMD（Fruit Fly Optimization AlgorithmVariational Mode Decomposition）方法对原始信号进行故障特征增强和降噪处理。首先利用果蝇算法对VMD（Variational Mode Decomposition）的K和α两个参数进行优化,然后用VMD对原始故障信号进行分解,根据各分量包络熵的大小,从分量中选择故障激励成分较多的分量进行重构,剔除故障相关性小和故障无关的噪声成分,从而达到降噪和增强故障特征的目的。实验证明FOA-VMD方法能够有效剔除原始信号中的噪声成分、增强故障特征,并且处理效果比EMD（Empirical Mode Decomposition）方法好,为后续的齿轮箱故障诊断奠定了基础。（2）从降噪后的信号中提取16个时频指标参数作为原始故障特征,然后利用基于改进距离法的特征选择方法选择出7维的最佳特征子集,剔除原始故障特征里的冗余信息和故障无关的指标参数。实验证明:利用选择出的故障特征子集对极限学习机进行训练和测试,训练所得故障诊断模型具有更高的诊断正确率;故障特征的降维可视化实验证明选择出的故障特征子集相对于原始故障特征具有更强的分类性。（3）本文选用极限学习机（Extreme Learning Machine,ELM）作为分类器,首先通过实验对极限学习机的激活函数和隐含层节点个数进行选择;然后针对ELM输入权值随机确定并且不再进行调整,导致分类准确率不高的问题,提出了一种基于最大熵原则的输入和输出权值反向调优的改进极限学习机模型,实验证明改进模型在一定程度上提高了故障分类准确率。为提高诊断模型的鲁棒性和稳定,进一步提高诊断准确率,本文在改进极限学习机的基础上提出了多极限学习机加权输出的齿轮箱故障诊断模型,首先根据极限学习机训练完成时损失函数e的大小对每个极限学习机模型的输出进行加权,最后将各个极限学习机的输出进行加权相加,把相加后的结果作为最后的诊断结果。实验证明多极限学习机组合的诊断模型相比单改进极限学习机模型和BP（Back Propagation）神经网络模型在诊断准确率上有明显的提高。