我国城镇化的进程加速了城市化建设的步伐,轨道交通逐渐成为了贯穿城市的动脉,也成为了连接区域间的纽带。轨道交通因其快捷、安全、舒适、环保等特点在很大程度上解决了交通拥挤堵塞、交通方式单一、空气污染严重等问题,成为了人们出行的优先选择。因此,维护轨道交通的安全运行,确保乘客的生命财产安全是一份责任更是一种使命。对此,无论是对于故障诊断方法的有效性还是对维修维护工作的及时性,甚至对于设备制造的可靠性等方面都提出了更高的要求。只有从建设与生产方面提高质量安全以减少故障发生的频率,并在运营与维护方面及时地检测故障才能多方位地确保轨道车辆的安全可靠。本文重点分析了轨道车辆滚动轴承微弱故障机理以及对智能故障诊断方法进行了研究。首先根据国内外滚动轴承故障机理研究现状表明了轴承微弱故障多表现为与润滑状态相关的表面损伤,于是对CRH3型动车组轴箱轴承建立了双列圆锥滚子非牛顿弹流润滑仿真模型。结合实际运行工况改变模型参数,确定了容易形成混合润滑的工况条件,即最大加速度的启动阶段或者以最大减速度制动至低速阶段。在该工况条件的设定下分析了表面形貌对于润滑脂成膜特性的影响,给出了表面优化的加工范围即表面粗糙度S_q在小于0.1μm但大于或等于0.03μm,纹理表面与轴承滚动方向一致,峰度K_uη为3,偏度S_kη为小于-0.5不小于-1的负值,以实现改善混合润滑并减少微弱故障的产生。其次,基于VMD—样本熵—小波阈值去噪的降噪方法对模拟的轨道车辆滚动轴承振动信号去噪,建立KPCA-DBN智能故障诊断模型完成了对包含微弱故障在内的12种类别的分类,分类精度达到99.1%,训练耗时为28.3s相当于只耗费了使用DBN方法训练模型耗时的二分之一（28.3/58.7）。KPCA算法与DBN的结合精简了DBN网络结构并且DBN网络中可视层权重将按照主成分贡献率大小初始化,提高了网络收敛速度。在不需要人工提取特征的前提下实现了对微弱故障的精确识别。最后,搭建振动信号采集与传输实验台。基于LabVIEW框图程序实现了可视化操作,可操控电机运转、振动信号采集、保存及传输。基于地铁车辆牵引电机滚动轴承的振动信号验证KPCA-DBN方法在实际应用中的有效性,网络训练耗时为31s实现了包括位置区分在内的4种类别的分类,达到96.1%的平均分类精度。其结果对维修维护工作具有指导性作用,也完成了滚动轴承智能故障诊断方法的建立。