齿轮箱作为机械设备中重要的传动组件,其运行状态将直接影响整个设备能否正常工作。一旦出现故障未及时解决可能会导致巨大的经济损失甚至人员伤亡,因此研究齿轮箱故障识别技术,保障其正常运行防止意外恶性事故的发生具有重要意义。同时由于齿轮箱运行工况复杂多变,且工程实际中对各种工况下故障样本缺乏长期、系统的采集导致标签样本缺乏。因此变工况环境下齿轮箱故障识别变得更加困难。基于此,本文以齿轮箱为研究对象,以变工况下故障识别为研究目标,主要围绕齿轮箱的混合域特征提取和故障识别技术两个方面展开研究,具体研究内容如下:（1）在分析齿轮箱常见的故障模式以及振动特性的基础上,根据单一域特征难以全面反应振动状态信息、故障识别存在片面性的问题,融合时域、频域、时频域特征形成混合域特征集。其中针对时频域特征提取,提出了同步抽取变换（Synchroextracting Transform,SET）增强的双向二维主成分分析（Two-directional Two-dimensional Principal Component Analysis,TD2DPCA）自适应特征提取方法,避免引入人为因素。通过齿轮箱故障实验验证表明,结合多维特征形成的混合域特征集包含更全面的故障信息,有利于齿轮箱的故障识别;同时SET增强TD2DPCA特征相比短时傅里叶变化（Short-time Fourier transform,STFT）、小波变换具有更高的故障识别精度。（2）针对目前时频变换多用于设备状态定性分析,缺失定量评价的问题,提出了SET与复小波结构相似性（Complex wavelet structural similarity,CWSS）评价算法结合的机械设备性能退化评估特征指标。该方法先对振动信号进行SET时频分析,再根据CWSS算法对该时频图与正常运行时振动信号时频图进行对比,最后得出性能退化指标。利用轴承全寿命数据进行验证与脉冲指标、均方根值、STFTCWSS等进行对比,结果表明SET-CWSS特征能够量化轴承性能退化程度同时对早期异常更加敏感。（3）针对目前结合多网络输出、多域特征融合时常采用串行连接忽略了不同类特征对故障识别贡献度大小不同的问题,基于注意力机制可实现对特征动态加权,提升信息获取能力的性质,提出了融合注意力机制的DBN齿轮箱故障识别方法。方法中首先利用受限玻尔兹曼机对特征进行深度挖掘,其次通过注意力动态加权方式融合多维特征。最后通过齿轮箱故障实验证明,注意力动态加权提高了对故障识别有效特征的利用程度,相比其他故障识别方法具有更高的故障识别精度。同时所提方法可多核并行计算,降低复杂故障识别模型的训练时间。（4）针对变负载工况下齿轮箱同类故障信号差异较大,导致故障识别困难与工程实际中大部分样本标签缺失问题,提出了降低故障识别模型对负载工况变化敏感性的余弦损失函数与半监督A-DBN模型。通过齿轮箱故障实验证明,所提方法能够提高变负载工况下故障识别精度,加快了模型学习速度,同时相比其他方法具有更好的泛化能力;在标签样本不足情况下,所提方法可以避免监督学习方法无法利用无标签样本的问题,通过学习无标签样本中蕴含的故障信息,保有较高的故障识别精度。为与现有研究成果进行对比,通过对公开轴承故障数据集进行测试。结果表明,本文针对变工况运行条件与标签样本缺乏两个问题所提解决方法具有一定的优越性。