列车在运行过程中随着速度的提高,安全性态将产生不断变化,因此人们对列车安全运行的预警、列车的健康维护更加关注和重视。通过传感器在列车运行的时候监测到的振动数据,这些数据是很巨大的。要反演识别出列车运行的时候处于什么状态,就必须通过跟踪监测数据,所以进行安全性态评估,是非常重要的。但是监测的振动数据非常复杂,具有非线性和非平稳的特点,小波分析在时间域和频率域可以提取局部特征,因此广泛应用于信号特性分析。因此,本文基于小波系数对高速列车监测数据特征分析,研究列车正常状态、空簧失气、抗蛇行全拆和横向减振器全拆四种工况的数据特征。本文在连续小波变换的基础上,采用基于小波尺度能量的特征提取算法,该方法沿小波分解尺度进行分解,对不同尺度计算能量,得到四种工况的小波尺度能量特征分布不同点。为了分析峭度在空间上的分布,采用小波包峭度的特征提取算法,根据小波包峭度在各频带的变化即可实现对列车安全运行判断,传感器位于车体上不同位置,速度也不同,可得到在四种工况下的不同特征。最后,验证了两种特征提取算法的有效性,并通过支持向量机进行列车运行状态的模式识别。由于横向位移信号具有低频特性,将小波和谱峭度方法结合分析各个工况的特征。对信号进行小波多尺度变换后,计算各尺度下的谱峭度值。基于小波尺度能量和小波包峭度特征参数,分析了混合故障工况和参数渐变工况的特征,研究列车从正常状态参数渐变到三种完全故障,由此可得到特征分布表现的规律,并研究了混合故障特征单个故障的特征的区别与联系。本文工作是由国家自然科学基金重点项目(No.61134002)资助。