双离合变速器（Double Clutch Transmission,DCT）近年来由于其生产的优势和性能的优势占据了大片汽车变速器市场,因此严格把好DCT产品的质量关是未来DCT发展的重要环节。目前应用于机械产品生产线末端进行在线检测的最多的是专家系统（Expert System）,需要建立完整的故障特征库和对采集到的各类信号进行复杂分析计算加以判别。最终得到的检测结果也并不完全正确,误报漏报率高,因此还需要人工加以辅助判别。深度学习（Deep Learning,DL）是目前人工智能（Artificial Intelligence,AI）较为前沿的学习算法,它可以帮助提取数据特征,进行更为准确的分类任务,在包含机械故障诊断的各个领域均有广泛应用。本文主要想实现端到端的制造缺陷的分类识别,减少人工参与度提升检测效率和准确率。本文的研究目标为基于企业生产线末端真实出现的基于振动信号能体现特征的DCT制造缺陷问题,结合自编码神经网络的半监督深度学习方法实现制造缺陷的原始时域数据自动分类识别。本论文的主要的研究内容如下:（1）论文以某企业生产的DCT总成为研究对象,对生产制造完成后的在线检测中采集的振动噪声信号进行分析归类。首先,采集实际DCT生产线末端的振动加速度信号,并对信号进行分析,归类制造缺陷,总结特征。其次,对振动信号进行预处理,使用数据扩充方法增大样本量,对比分析不同步长和样本长度对分类识别准确率的影响。实验结果表明,选择步长为256,样本长度为4096有利于模型训练。最后,建立DCT原始振动数据集和DCT齿轮啸叫分级数据集,为探究更细分类作铺垫。除此之外,还介绍了选用的领域数据集,为自编码模型搭建服务以及后面的分析讨论模型精度服务。（2）本论文搭建了适用于一维振动信号的自编码神经网络分类模型,分析了损失函数、优化算法及批尺寸和迭代次数训练参数对网络性能的影响,最终搭建的分类网络是基于实验结果最优结果设置的各项参数。分析了网络对于不同数据集的分类效果,并搭建了相近的不同类型模型进行试验对比,最终得出使用卷积层池化层搭建的卷积自编码（Convolutional Auto-Encoder,CAE）分类网络具有最优的性能,在占比为50%的无标签数据集上能达到的最高模型与预测准确率为96.06%。（3）为了提高自编码神经网络对DCT制造缺陷数据分类识别的准确度,分别从数据形式和模型优化两个方面进行探究。实验结果表明:采用二维振动图像的数据形式代替一维数据在保留数据原有特征的基础上压缩了数据量;将普通自编码神经网络改进为二维卷积自编码网络也提升了网络捕捉特征的能力,基于Le Net-5的结构搭建了LCAE模型并对其进行了优化,提高了模型识别的准确度;通过改进分类器得到LCAE＿CNN卷积自编码和卷积神经网络混合模型,模型预测准确率相比于LCAE提升了1.51个百分点。（4）网络模型准确度的影响因素很多,一般情况下在训练网络模型时数据规模越大模型预测准确率越高,尝试在改进分类器的模型基础上扩大输入训练的图像集规模,实验证明拓展图像集规模能够进一步提升模型预测准确度,并通过绘出混淆矩阵统计图加以证明;最后对比了包括第四章搭建的基于一维DCT振动数据集的AE和CAE和本章的LCAE、LCAE＿CNN四种网络模型的训练准确率和损失值变化对比图,本论文提出的LCAE＿CNN分类模型的优势明显,本文所提出的LCAE＿CNN分类模型预测准确率最高为98.95%。