为提高齿轮箱故障诊断的有效性和故障识别的准确率，提出一种基于短时傅里叶变换（Short-term Fouriertransform,STFT）、二维卷积神经网络（Two-dimensional Convolutional Neural Network，2D CNN）和支持向量机（SupportVector Machine，SVM）相结合的齿轮箱故障识别方法。搭建JZQ250 型定轴齿轮箱实验平台，利用加速度传感器获得齿轮箱振动信号，并对振动信号进行短时傅里叶变换得到二维时频图，然后将时频图输入到2D CNN中进行特征信息提取，通过2D CNN前向传播和反向传播对不同类别故障时频图信息进行训练，建立不同类别特征之间更深层次的联系，通过训练集和验证集loss 曲线、准确率曲线和t-SNE可视化（t-Distributed Stochastic Neighbor Embedding，t-SNE）多种方法来反映模型训练程度，最后由SVM对故障类型进行识别。通过将所提出的方法与FFT-2D CNN、1D CNN-SVM和2D CNN-SVM对齿轮箱故障识别结果进行对比，本方法故障识别准确率最高，达到97.94 %，且提出的方法具有很好的鲁棒性。