在逾三万公里高速铁路已建成背景下,国家铁路事业持续高速发展,大批高速铁道车辆相继投入运营。列车运行速度越快,意味着列车安全运行风险越大。因此,实现对列车重要部件的实时故障分类识别并对其发展形势进行预测十分必要。车轴作为铁道车辆主要承重部位,其状态直接影响转向架的运行状态。通常情况下,车轴疲劳裂纹只在发展到一定程度时才能被探知,此时可供维修时间已不多,会对列车安全运行造成严重影响。为实现对列车车轴疲劳裂纹的精准识别及波形预测,本文提出了基于CEEMD-GRNN-DBN-LSTM的车轴疲劳裂纹声发射信号数据识别和波形预测模型。研究难点是对车轴声发射信号大容量样本进行准确快速识别和波形预测。在与三种常见数据预处理方法对比后,采用互补集合经验模态分解(CEEMD)对三种声发射信号数据进行预处理以反映特征,然后导入改进型深度信念网络GRNN-DBN中进行识别,并与其他网络进行综合对比。之后构建长短时记忆网络(LSTM)对识别出的车轴疲劳裂纹声发射信号部分数据进行波形预测,并与其他网络进行综合对比。最后,分别利用陌生数据集对模型性能进行了验证。通过对列车车轴疲劳裂纹声发射信号进行识别及波形预测,得出在CEEMD预处理数据的情况下,本文建立的GRNN-DBN网络与其他结构和类型的DBN网络相比具有更高的识别准确率,且运行时间较短;建立的LSTM网络与其他结构的LSTM网络及三种人工神经网络相比具有更高的波形预测准确率,且运行时间较短。