随着风能重要性的不断提高,风力发电机的研究也日益增多。由于齿轮箱（尤其是齿轮、轴承）常受到不断变化的载荷冲击,且据相关数据统计,在风机齿轮箱中轴承与齿轮属于故障频发部件,所以针对风机齿轮箱中轴承与齿轮的故障诊断研究具有非常重要的意义。随着时代的发展与技术的进步,利用计算机进行故障的智能诊断已被广泛应用在机械领域。而在信号采集中,利用多传感器进行信号采集及数据融合,可以减少单传感器信息不准确的情况。本文主要研究内容如下:（1）本文以风机齿轮箱中的轴承与齿轮为研究对象,主要对其常见的失效形式及特征频率计算进行了简要的分析,同时对卷积神经网络与经典网络模型进行了介绍。（2）针对经典的极点对称模态分解（ESMD）在信号重构时依赖人工经验,可能会忽略某些特征或降噪不够明显的现象,本文提出了基于信息熵与相关系数的条件ESMD方法;由于进入了轻量化的智能时代,本文选用了MobileNet V2的轻量化网络模型,并对其中的宽度乘法器参数进行对比选择,随后将基于条件ESMD处理后的数据输入到网络中进行训练,得到诊断的结果。通过使用实测的风机齿轮箱实验数据,将所用方法与经典方法进行准确率的对比,说明了所用方法的优势。（3）由于MobileNet V2网络追求轻量化的特点,导致其在故障诊断的准确率上有所不足。针对这一问题本文采用空洞卷积核代替深度卷积核的方式对网络进行改进,通过提高感受野,进而提升故障诊断准确率;为了进一步提高网络的轻量化,本文采用调节扩展层的方式对网络进行改进,减少了非必要参数的计算,进而缩短计算的时间。先对实测数据采用第3章所提的条件ESMD方法进行预处理,随后通过和经典方法与未改进的Mobile Net V2网络进行对比,说明了本文改进网络的可行性。（4）对于复杂环境下,单方向信号可能出现的信息不准确或有误现象,本文通过使用多方向的振动数据,利用D-S证据理论对多方向各自得到的结果进行融合,通过实验对比证明了融合后的准确性相较于单方向数据的准确性有所提高。