近年来,我国高速铁路飞速发展,保证列车在运营过程中的安全和稳定显得尤为重要。轴箱轴承作为高速列车走行部上的关键部件,其性能的正常与否直接关系到列车运行的安全与稳定。当前我国高速列车主要通过车载轴温检测系统监测轴箱轴承的运行状态,并基于固定的轴温阈值报警,但是该系统存在漏报率和误报率高的问题,并且该系统在历史运行过程中采集到的大量数据没有得到充分利用。针对以上问题,本文分析了高速列车轴箱轴承的温升机理,基于高速列车运行过程中采集的轴温、环境温度和速度等数据,通过数据处理和统计分析,运用不同人工神经网络建立了轴箱轴承异常温升诊断模型,提出了列车轴箱轴承故障预警方法,并以此为基础提出了高速列车轴箱轴承故障二级预警机制,主要工作如下:（1）分析了列车轴箱轴承的产热和散热机理,结合轴箱轴承的结构和传热机理,简化建立了列车轴箱的传热模型,基于简化模型,通过解析求解的方式分析了轴箱的温度和温升率,为故障诊断模型的建立和预警方法的提出提供了理论依据。（2）针对原始监测数据质量低、数据量大的特点,制定了数据预处理方案,通过插值重采样的方式处理了数据中的缺失值并将不同数据变量整合对齐;针对列车在不同站点启停的特点,制定了适合本文数据的时间窗分割算法;为了进一步提高数据质量,通过频域内低通滤波的方式去除了数据中的高频噪声;基于本文数据为离散时间序列的特点,通过数值微分的方式计算了轴承的温升率;最后,对比分析了故障数据和正常数据的分布并通过定量和定性地分析了不同数据变量之间地相关性,获得了不同数据变量对轴箱轴承温度和温升率的影响,为后续故障诊断模型的建立和预警方法的提出奠定了基础。（3）搭建了时间窗内轴箱轴承异常温升诊断模型并提出了基于平衡状态轴温趋势的故障预警方法。首先针对数据中正负样本严重不平衡,搭建并训练了生成对抗网络来对不平衡数据集增强;然后以真实的正常样本和生成的故障样本作为训练数据,搭建并训练了多变量长短期记忆全卷积神经网络作为故障诊断模型来识别轴箱轴承在不同时间窗内的温升异常;针对时间窗内轴箱轴承异常温升诊断模型只能在识别轴承在不同时间窗内是否有异常温升,无法在更长时间范围内反映故障轴承的故障程度随时间的动态演化过程,提出了通过平衡状态下轴温趋势来反映轴承故障程度的动态变化的方法。（4）提出了高速列车轴箱轴承故障二级预警策略。基于时间窗内轴箱轴承异常温升诊断模型和平衡状态轴温趋势预警方法提出了高速列车轴箱轴承的二级预警策略并制定了预警机制,最后通过实例验证了所提出的二级预警策略能够提前识别列车轴箱轴承的故障并避免误报。