由于齿轮箱在运转过程中箱体产生振动或复杂环境噪声等因素的影响,使传感器采集到的振动信号中除了含有有用的故障信息外还有噪声的干扰,不利于对故障信号进行分析和诊断。本文从这点出发,首先介绍了齿轮箱故障诊断的背景、意义以及目前诊断方法的现状,之后提出分别将自适应滤波技术和粒子滤波技术应用于齿轮箱振动信号的预处理上,提取故障特征信息,最后用经过粒子群优化算法优化的BP神经网络对齿轮箱的故障作出诊断,并通过在实验室搭建一套完整的齿轮箱故障诊断系统证明了此方法可以很好的对齿轮箱的故障作出正确诊断。本文在研究了几种主要的自适应滤波算法后,提出了一种基于相关双曲正切函数的LMS算法(CTanh-LMS算法),在仿真的基础上将此算法应用于齿轮箱故障特征的提取中,结果证明通过此方法可以得到明显的故障特征,并且算法十分简单、收敛速度快,完全可以满足齿轮箱振动信号的消噪要求。另外,针对齿轮箱系统的非线性非高斯特性,提出了用粒子滤波算法对信号进行消噪的基本实现步骤,并通过仿真实验说明粒子滤波算法可以大幅提高信号的信噪比,对含噪信号起到了很好的消噪作用。本文还对粒子群优化(PSO)算法进行了研究,并将此算法和BP神经网络相结合,利用粒子群优化算法调节和优化全局性网络参数,用神经网络学习方法优化具有局部性的参数,将二者结合来用于齿轮箱的故障诊断。试验的结果表明,本文提出的将自适应滤波消噪技术、粒子滤波消噪技术这两种用于信号预处理的方法分别和粒子群优化神经网络技术相结合,运用在齿轮箱的故障诊断上,能够得到较理想的故障诊断结果。