为解决齿轮箱故障诊断传统研究中样本特征不充分、高维数据处理困难以及故障诊断精度不够等问题，提出一种融合齿轮箱故障信号多特征信息与波搜索算法(Wave Search Algorithm，WSA)优化的多层感知机(Multi-Layer Perceptron，MLP)模型。首先融合提取故障信号的时域、频域特征，以及通过小波包分解后的时频域特征，然后对融合后的特征信息经过主成分分析法(Principal Components Analysis，PCA)降维，再将降维后的特征信息与时域、频域和时频域单独进行特征提取方法相比较。最后为提高MLP模型的性能，运用WSA对MLP模型的权重和偏置项进行参数优化，建立基于多特征融合的WSA-MLP 齿轮箱故障诊断方法。与MLP、粒子群优化算法(Particle Swarm Optimization，PSO)-MLP模型相比较，WSA-MLP模型的故障诊断精度最高，且模型复杂度没有明显提升。