针对行星齿轮箱故障诊断中存在的故障诊断样本数少、故障诊断精度低等问题,提出一种经验模态分解(EMD)、峭度排序和BP神经网络相结合的故障诊断方法。该方法首先对原始振动信号进行EMD,然后对分解获得的固有模态函数(IMF)进行峭度排序;根据训练样本数自适应地选择对应的IMF,将对应IMF的能量值作为特征向量输入BP神经网络进行故障模型的搭建,并完成模型诊断成功率测试。结果表明经过峭度排序后的故障特征的区分度明显升高,表明改进后的算法可以在训练样本少和训练数据不均衡的情况下达到较高的故障诊断成功率,完成对行星齿轮箱故障模式的识别。