齿轮和滚动轴承作为汽车变速器中常见的零部件,受汽车运行工况复杂多变的影响,长期工作在交变负荷下,是故障的多发件,其故障振动信号往往表现出较强的非线性和非平稳性。时频分析得到的时频图像表示的是时域和频域的联合分布信息,直观地反映了信号的各频率成分随时间变化的关系。时频图包含了丰富的设备状态信息,可以通过分析图像实现变速箱故障的智能诊断。卷积神经网络作为深度学习领域的算法之一,对于图像识别具有良好的分类性能,因此,本文提出将卷积神经网络应用于振动信号时频图像的处理,以实现故障的分类识别。首先采集变速箱的故障振动信号,用时频变换方法将信号转化为时频图像,再用卷积神经网络对时频图像进行分类识别,判断变速器的运行状态。时频方法的选择直接影响时频分析的性能,为此,构造了与试验时的故障对应的齿轮冲击型故障、轴承冲击型故障和混合故障仿真信号,用三种不同的时频方法’小波变换、变换、短时傅里叶变换(分别对仿真信号进行时频分析,以选择较为合适的时频分析方法。结果表明,以小波为小波基的连续小波变换的时频特性最好,变换次之,短时傅里叶变换最差。卷积神经网络的结构参数直接影响其分类识别的能力。研究了卷积神经网络结构参数对最终时频图像分类结果的影响,包括迭代次数、批量尺寸、卷积核个数和尺寸,构建了对变速箱故障的时频图像分类能力强而且分类效率较高的网络。当齿轮箱输入转速变化时,振动信号时频图有较大差异。采用结构参数优化后的卷积神经网络对变转速工况下的变速箱故障进行了分类识别,取得了较好的效果。实验结果验证了卷积神经网络用于图像识别时,对图像一定程度的平移、缩放、扭转具有不变性的特点。说明在复杂工况下,卷积神经网络可有效应用于振动信号时频图像的分类识别与设备智能诊断。