齿轮传动作为现代机械设备中应用最多的动力传递方式,具有传动比稳定、传动效率高、负载能力强和使用寿命长等优点,被广泛应用于船舶、汽车、航空航天、轨道交通及高性能机床等关键领域。由于结构复杂且运行工况恶劣,齿轮箱中的齿轮极易发生各类故障,这不仅会影响到设备运行的可靠性,造成巨大的财产损失,甚至还会威胁到操作者的生命安全。因此齿轮的状态监测与故障识别是设备维护管理活动中非常重要的内容。由于设备的转速信息对齿轮故障信号的周期性冲击特性、频谱结构信息和统计特征分布有很大影响。在设备包含多级工作转速的复杂运行状态下,转速信息的多样化使得设备振动信号中的故障信息变得极为复杂,传统基于专家经验的故障诊断方法和基于机器学习理论的故障智能识别算法均存在很大的误判率。因此,针对包含多级工作转速的复杂转速工况下的齿轮故障识别问题研究一种结果准确且鲁棒性高的故障识别方法对机械设备的运维管理具有巨大的理论意义与实用价值。针对多级复杂转速工况下齿轮故障特征随转速分布规律复杂、故障信息模糊、故障识别误判率高的难题,本文结合神经网络基础理论与信息融合思想提出了一种故障多元动态融合智能识别方法。围绕该方法,本文从齿轮故障信号特征构造及敏感特征选择、多元融合学习网络设计、关键转速选取、模型优化方法与齿轮故障模拟实验验证等五个方面展开研究。本文的主要研究内容如下:（1）针对复杂转速工况下的齿轮故障信号特征提取问题,通过结合信号多元统计特征和能量分布特征,设计了齿轮故障原始特征构造方法。并通过分析各特征随转速的分布规律,提出了一种基于局部转速特征变化速率分布误差评价的敏感特征选择算法,获得了在复杂转速工况下对故障识别更有效的敏感特征集。（2）针对传统故障智能识别算法在复杂转速工况下复杂信息学习能力不足的问题,基于神经网络理论与信息融合思想,设计了一种由权值单元、故障识别单元及结果融合单元等多个网络单元组成的多元动态融合网络模型,通过提取输入样本中的故障信息和转速信息,并对不同信息的分析结果进行融合,大大提高了模型在复杂转速工况下的故障识别性能。（3）针对多元动态融合网络模型在构建过程中关键转速选取缺乏依据的问题,提出了一种基于相邻转速样本综合距离评价的关键转速选择算法,并针对传统顺序训练策略下模型训练收敛速度慢的问题提出了一种模型多元交叉训练方法,提高了多元动态融合网络的故障识别精度和训练效率,完善了复杂转速工况下的齿轮故障多元动态融合识别方法。（4）针对本文为解决复杂转速工况下的齿轮故障识别问题所提出的各种方法,设计了齿轮故障模拟实验并构建了多转速多故障下的齿轮信号样本集合。通过分析各方法对故障样本的处理结果,证明了本文所提各方法在复杂转速工况下齿轮故障识别中的有效性。并通过和其它传统方法的故障识别结果对比验证了本文所提的齿轮故障多元动态融合识别方法的优越性。