齿轮箱被广泛应用在众多重要领域,一旦齿轮和滚动轴承发生故障损伤,可能会导致整台设备失灵严重会导致经济财产损失及人员伤亡,因此对齿轮箱进行故障诊断具有重要的实际意义。故障诊断主要步骤为:振动信号采集,故障特征提取以及模式识别。为了提高非平稳、非线性振动信号故障特征的可辨识性,本文以齿轮箱故障振动信号为研究对象,提出了基于VMD与流形学习相结合的齿轮故障诊断研究方法。首先针对齿轮箱故障振动信号具有非线性、非平稳特征且用传统方法不易提取出敏感的故障特征效果等问题,选用一种新的自适应信号分解方法变分模态分解(VMD)对故障信号进行特征提取。同时详细介绍了VMD算法的基本原理,针对VMD算法参数选取对故障特征提取影响较大的问题,提出了以最小熵和最大峭度为联合准则的群体智能优化算法对VMD的两个重要参数择优。通过齿轮实测信号的验证和分析,结果表明该方法能够有效、准确的提取到故障特征。接着对含有敏感信息的故障特征进行特征选择并从时域、频域、时频域方面构造多域高维观测样本,针对样本多维复杂的特点,选用流形学习算法对故障数据进行维数约简。同时研究了流形学习算法并分析其优缺点,针对流形学习的本征维数和近邻域值不易确定等问题,提出虚假近邻法同时对两个参数进行估计的方法。通过标准测试数据对多种流形学习的检验和分析,验证了所提方法的正确性和有效性。最后以齿轮箱故障实测实验数据为研究对象,对齿轮特征属性用VMD进行了有效的提取和约简,并用多种流形学习结合各分类器进行故障状态诊断,验证了基于VMD与流形学习算法的故障诊断模型的有效性与可行性。