随着我国高速铁路的发展,高速列车的安全稳定运行成为人们关注的热点。转向架是连接车体和轨道的唯一通道,转向架关键部件的性能蜕变和故障状态直接导致车体和转向架振动形式改变,同时也严重威胁到列车的运行安全。列车车体和转向架的振动信号中蕴含了丰富的信息,有效地运用这些信息进行转向架关键部件的故障诊断、部件性能蜕化估计和故障预警,对保障列车安全稳定运行具有重要的理论意义和工程应用价值。然而,列车的振动信号是典型的复杂度高、耦合性和不确定性强的非线性信号,传统的单一特征提取方法难以达到有效识别故障的目的,亟需探寻新的特征提取和特征融合方法,以更有效地实现转向架故障诊断与性态估计。鉴于此,论文在系统分析信息测度理论主要指标物理意义的基础上,提出了信息测度理论中信息熵和复杂性测度算法与时频分析方法相结合的特征提取和分析框架,针对高速列车转向架故障信号特征提取、关键部件性能蜕化估计、多特征融合与降维等问题,开展了以下研究工作：1)论文研究了5种小波信息熵在表征机械振动信号方面的含义和小波信息熵测度在高速列车转向架故障识别中的适用性,并将其应用于高速列车转向架故障振动信号的特征提取。将多种小波信息熵构成高维特征向量用于转向架关键部件的故障状态识别。2)将信息测度与聚合经验模态分解方法相结合,研究了一系列经验模态信息熵和经验模态复杂度,提出了基于经验模态信息测度的高速列车转向架故障特征提取方法。该方法首先对高速列车转向架故障仿真信号进行聚合经验模态分解,对分解后的各个固有模态函数进行筛选,最后分别提取信息测度指标作为故障信号的特征。通过对转向架故障类型的正确识别,验证了经验模态分解下的信息测度在高速列车故障信号特征提取中的可行性与有效性。3)为了解决列车实际运行时出现的部件服役性态逐渐蜕变过程中的状态估计问题,论文提出了一种基于关联信息测度的特征提取方法。分析了部件性能蜕变的各个阶段振动信号与正常状态下振动信号之间的关联关系,对该关联关系进行量化分析,以表征部件参数的蜕变程度,据此提出了利用互相关样本熵和相对聚合经验模态能量熵来描述转向架的性能蜕化的特征。最后用方差分析与多重分析的结果证明了关联信息测度特征值在不同性能蜕化水平下的显著差异性,并给出了利用特征均值的概率密度函数进行性能蜕变的具体估计方法。4)为了更好地剔除冗余特征和不良特征、提高运算效率、有效降低特征维数,提出了结合多准则特征选择和流形学习降维方法的复合信息测度模型。在复合信息测度模型中,首先构建了包含了时域、频域、时频域以及信息测度泛化特征的高维特征集合,通过Relief算法、马氏距离、Fisher比率三个准则进行特征排序,并对三种排序结果进行加权平均获得融合的特征选择结果,再进行流形降维,仿真数据与动车组实测数据试验结果验证了该复合信息测度模型的有效性,降低特征维数的同时在所有传感器通道上显著提高了故障识别率。论文进行了大量的仿真数据实验和实测数据实验,结果证明了所提特征提取方法和模型的有效性,为数据驱动方法来解决转向架故障识别和部件性能蜕变估计提供了一种新的研究思路。论文研究内容是国家自然科学基金重点项目《基于监测数据的高速列车服役安全性态评估的关键问题研究》(No.61134002,2012-2016)的组成部分。