随着轨道交通行业的高速发展,轨道车辆的运行速度、载重量都在逐步提升。而在进步的同时安全问题始终是该行业的重中之重。车轴是轮对的主要配件,也是构成车辆走行部的重要零件,在轨道车辆运行中是不可或缺的一部分。车轴在工作中面临变化的外界环境及复杂工况,不可避免地会产生裂纹,车轴裂纹发展到一定程度会使车轴断裂,带来极其严重的后果。因此对车轴的故障诊断具有现实意义。本文研究了如何对车轴声发射数据进行特征提取与分类识别,提出一种基于深度置信网络(Deep belief network,DBN)的分析方法。本文首先介绍了 DBN的基本原理与网络结构,在这个基础上研究了 DBN的组成部分受限玻尔兹曼机(Restricted Boltzmann machine,RBM),重点分析其权值更新迭代的次数对特征提取和网络计算时间的影响。在DBN对车轴声发射信号特征提取过程中,对提取到的多维特征采用主成分分析法(Principal component analysis,PCA)进行降维处理,保留前三个主成分分量,使特征可以表现在三维空间中。在DBN对车轴声发射信号分类识别过程中,主要分析不同隐层数给信号识别准确率带来的变化。然后通过与极限学习机(Extreme learning machine,ELM),一种机器学习网络模型的分类准确率对比,验证DBN对裂纹信号的识别优势。对于不同的车轴裂纹,使用DBN在其他车轴声发射信号数据集中进行实验。最后,针对完整的车轴裂纹声发射信号,根据信号峭度值的变化将裂纹分为四个不同的阶段,将不同阶段信号放入DBN网络中进行分类识别。通过在不同数据集上的实验,结果表明,深度置信网络能够从多种车轴声发射信号中识别出裂纹信号并且对于裂纹信号的不同阶段有较好的分类能力。