随着轨道交通行业的飞速发展,轨道列车的运行时速、客运量和货物载重量也在逐步提升,我国自主研发设计的复兴号动车组CR400AF于2017年6月2日第一次在京沪高铁发车,其运行时速高达350Km/h,是迄今为止全球范围内最高的商业运行速度。虽然高速铁路的研发技术在飞速发展,但是安全问题始终是不可避免,车速越快,所承担的安全风险也越大。车轴作为高速列车转向架中的关键零件,在工作中持续承担着巨大压力,不可避免的会发生裂纹,而裂纹拓展到一定程度,会使车轴断裂,进而带来极其严重的后果。因此亟需建立可靠的健康监测系统,通过安置在车轴附近的传感器接收信号进行监测与分析,并进行分类识别和剩余寿命预测,最终实现远程实时获取车轴故障状态的目的。但是传统的诊断模型大多依靠专家手动提取特征,再通过浅层模型训练实现诊断的,该方法费时费力且不能保证算法的通用性,且对专家经验具有长期依赖性。针对该问题,本文将声发射技术与深度学习技术相结合,以有轨列车中的车轴作为研究对象,提出了一种基于卷积神经网络的智能化诊断模型,该模型可以自动完成特征提取,实现分类识别和寿命预测,而无需人工经验与协助。首先提出具有五个卷积层的分类识别模型,其特点是将第一层的大卷积核与连续多个小卷积核相结合。该模型通过直接对原始信号进行分类识别,识别率超过了99%,且训练时间较短;同时模拟模型在变荷载和噪声干扰的环境下进行验证,发现所提识别方法依然适用。其次尝试将全连接层替换为卷积层和池化层,构成全卷积层CNN预测模型,既提高了预测精度、又减小计算压力,将模型在不同数据集上进行试验,结果表明该方法可以较为准确的预测车轴寿命;与支持向量回归和经典CNN模型等传统模型的预测结果进行对比,结果表明全卷积层CNN预测模型的预测误差更低,评分系数更高。