走行部作为支撑高速列车车体全部重量并使其在铁轨上高速运行的重要装置,其健康状态是决定列车能否安全行驶和平稳运行的重要影响因素。滚动轴承作为列车走行部的关键部件之一,其发生故障时轻则停车无法运行,重则脱轨影响乘客生命安全。因此,对高速列车走行部滚动轴承的监测技术与健康状态评估方法展开研究具有重大的理论意义和实际应用价值。首先,研究高速列车走行部的结构组成,选用采集滚动轴承振动信号的监测技术,为滚动轴承的健康评估奠定基础。根据高速列车走行部滚动轴承的运行特点,设计了24位分辨率、512ksps转换速率和增益可调的前置振动信号采集装置。通过实验测试,该装置的带宽频率范围为0.1Hz～56kHz,其峰值相对误差低于2%,表明了该采集装置可对列车走行部滚动轴承实时在线监测。其次,分析振动信号中包含了有效信号和噪声信号,通过麻雀搜索算法（SSA）确定变分模态分解（VMD）的分解模态数和二次惩罚因子,对振动信号进行变分模态分解得到不同模态分量,联合小波包阈值法对各模态分量进行二次降噪,计算降噪后的各模态分量与原始信号的相关系数,最后选择相关系数大的模态分量进行重构,即可得到降噪后的振动信号。构造信噪比和均方根误差分别为-10dB和0.455的内圈故障振动信号,采用SSA-VMD-小波包阈值的降噪方法得到信噪比和均方根误差分别为-0.79 dB和0.055,验证了该方法的有效性。接着,选择西交大公开的滚动轴承全周期振动信号作为实验数据集,利用采用的降噪方法对该信号进行降噪处理。分别从时域、频域和时频域中提取了18个特征量作为评价轴承的健康状态参量,基于主成分分析方法对该多维特征集进行降维处理。依据各个主元成分的贡献率和累计贡献率,得到前三个主元成分的累计贡献率为86.2%,表明前三个主元成分保留了数据中的主要信息。最后,根据三级划分原则得到正常运行、早期故障和晚期故障三个状态,采用基于二叉树的多分类支持向量机（SVM）构建健康状态评估模型,并在此基础上结合灰狼优化算法（GWO）来改进评估模型。结果表明:基于GWO-SVM的健康评估模型准确率为99.5%,与传统SVM分类方法相比有更高的准确率,表明了评估模型的优越性。