齿轮箱被广泛应用于航空、船舶、高铁、风电、数控机床等关键工业领域,由于加工/装配误差或在循环重载、润滑失效等恶劣工况下会发生失效继而引发停机事故。通过振动监测等手段可以一定程度上获取设备或部件的状态信息,但由于监测信号通常具有强噪声、高耦合的特点且异常状态征兆微弱、不易发觉,难以准确评估设备状态。因此,研究设备状态评估方法对于提高核心装备的可靠性、消除或减少重大事故的发生具有重要意义。齿轮箱的状态评估方法的发展经历了信号处理、传统数据驱动、深度学习等阶段。基于信号处理的状态评估方法重点在于特征提取,特征的有效性受信号分解算法参数及操作者经验的影响;传统数据驱动的状态评估通常建立在样本数据满足一定分布假设的前提下,但真实工业场景下的监测样本受工况及作业过程的影响分布特点复杂;深度学习的状态评估方法多为“黑箱”式的特征提取器,评估过程难以解释并且其评估效果受网络参数及构造技巧的影响。生成模型是通过对初始分布采样、变换继而生成拟真观测序列的方法,生成模型能够学习观测序列的真实分布特性,未知观测在已有状态模型下的概率可以作为状态评估指标。现有生成模型状态评估方法的局限性在于无法准确地进行复杂分布以及多维观测下的联合分布特性的学习。本文基于生成模型提出深度概率学习（Deep probabilistic learning,DPL）的状态评估方法,开展以下研究:（1）提出DPL状态评估方法。针对传统变分优化模型后验概率灵活性差、难以应对复杂过程和模式的问题,本文在变分优化的基础上提出DPL状态评估方法,通过分布特性对状态模型进行描述,基于分布变换的方式将既定简单分布变换至更为灵活的分布形式,并以此为基础进行状态模式的学习与未知观测的状态评估。DPL通过可逆变换提高变分优化模型中的后验分布的灵活性,以仿射耦合的方式对后验概率分布进行优化,继而通过灵活的分布形式拟合评估对象的状态模式和隐空间分布特性。（2）提出多元可逆深度概率学习（Multivariate invertible deep probabilistic learning,MIDPL）状态评估方法。变分优化思想通过简单推断过程下的变分下界间接地计算边缘概率,难以实现准确的概率估计。针对上述问题,本文提出MIDPL状态评估方法,利用一系列可逆变换序列实现从具有解析表示的初始分布到复杂多元观测分布的映射。在MIDPL框架下,待评估多元观测的边缘概率可以经变换序列转换至初始分布进行直接且准确地计算,继而提高状态模型的稳定性和状态评估的准确性。（3）提出半监督-多元可逆深度概率学习（Semi-supervised multivariate invertible deep probabilistic learning,S-MIDPL）状态评估方法。MIDPL为“高维-高维”的映射,且未涉及与标签的耦合,难以应对多状态问题。本文在MIDPL的基础上进一步提出S-MIDPL状态评估方法,在保证边缘概率准确计算的基础上,通过维度缩减架构降低多元观测的维度,在深层隐空间的基础上与状态标签耦合以实现多状态模型的学习,基于统一的生成过程进行有监督样本和无监督样本下状态模型的联合优化,提升多状态模型的分类性能。（4）DPL在风机齿轮箱故障状态识别的应用研究。本文首先基于齿轮箱实验台架故障及退化数据集对DPL、MIDPL以及S-MIDPL的有效性进行验证与分析。在此基础上,为研究所提出的状态评估方法在真实工业应用下的有效性,以风机齿轮箱为对象开展故障状态识别研究,并对三种DPL方法的有效性进行对比分析。最后对全文工作进行总结并展望后续的研究方向。