现代汽车技术发展突飞猛进,人们对汽车的质量要求越来越高,汽车的噪声、振动、与舒适性即NVH (noise, Viblalion, Harshness)是衡量汽车制造质量的一个综合性指标。在汽车噪声中,主减速器是微车传动系统中的关键部件总成,齿轮作为主减速器中的重要零件,其振动噪声是主要噪声源之一。齿轮的振动产生噪音是客观存在的,但如果齿轮噪声过大,则对汽车的质量安全带来隐患,同时又污染环境,影响人们乘坐的舒适性。目前,对齿轮故障诊断,企业的做法多为靠人工听齿轮转动的声音来判断齿轮的好坏,对工人的业务要求较高,需要有经验的工人师傅才能担当这一任务。因此,对齿轮噪声携带的信息,利用相关仪器进行采集,分析其特征,规律,然后利用现代计算机智能方法对其进行诊断研究,是一件很有意义的工作。齿轮噪声传递出来的信息是杂乱的,非线性的,为了寻求其中的规律,利用人工神经网络方法对其进行研究是相得益彰的。人工神经网络是一种非程序化、适应性、大脑风格的信息处理。尤其是BP神经网络,结构简单,可塑性强,在故障诊断领域已经有了广泛的应用。然而,BP网络的优缺点也十分突出,其自学习自适应能力强,容错性强,极其适于处理非线性复杂问题,但是收敛速度慢,尤其是极易陷入局部最优点,制约了其性能。模拟退火算法适合解大规模组合优化问题,计算过程简单通用,鲁棒性强,适用于并行处理,尤其是在理论上被证明是一种以概率1收敛于全局最优解的全局优化算法。用模拟退火算法改进BP神经网络,克服了BP神经网络极易陷入局部最优点的缺点,进一步提高了网络的性能。本文介绍了齿轮故障诊断的相关研究,具体阐述了BP神经网络和模拟退火算法,对其优缺点和改进方法进行了分析,并且用融合的模拟退火BP神经网络对齿轮噪音信息进行处理诊断,并对诊断结果进行了分析。结果对比表明,融合的模拟退火BP神经网络具有更好的性能,对齿轮故障的诊断精度更高。