随着近年来高速铁路建设的快速推进,高速列车的行车安全也受到了极大的重视。而轴承在高速列车的走行部中具有重要的地位,其状态与高速列车的运行安全有着紧密的联系。因此,非常有必要对轴承的运行状况进行监测。振动信号作为轴承状态信息最为直接的载体,对其进行分析能够较为准确快速地判断轴承的状态。当轴承出现故障时,其不规则的表面在运行过程中就会受到碰撞,导致采集到的振动信号中出现不同频率的冲击成分。但是由于高速列车的系统复杂,轴承振动信号的频率成分非常丰富,而且还有强背景噪声干扰,故障特征容易被淹没。因此,监测轴承运行状况的关键问题就在于冲击特征的提取。高速列车走行部中各个部件之间都耦合紧密,一旦有一个部件出现故障,将会使滚动轴承振动信号的频率、统计特征随着时间不断变化,从而导致轴承振动信号具有明显的非平稳特征。而经验模态分解方法对非线性非平稳信号的分解非常适用,但又由于该方法存在严重的模态混叠问题,因此使用能够改善模态混叠问题的集总经验模态分解方法来分解轴承振动信号。信号被分解为若干个分量后,在分析滚动轴承故障振动信号的过程中,还需要选择含有冲击特征的分量。因此,提出一种本征模态函数选取准则来筛选目标分量。高速列车在运行过程中的背景噪声非常大,信号被分解为若干个分量之后,其中的冲击特征依然会被淹没。这时噪声与目标特征信号在一个模态分量中,对信号进行频域上的划分已经不能达到去噪的效果。而滚动轴承故障振动信号中的冲击特征在时域上是稀疏的,因此可以通过稀疏表示方法对选择的IMF分量进行去噪。本文引入非凸稀疏促进函数与全变差项构成正则化项,建立目标函数,对其使用优化极小化算法求取稀疏解。为了客观地对去噪质量进行定性评价,提出一种去噪质量评价方法,并基于该方法研究正则化参数的最佳取值、验证使用非凸正则化项的全变差稀疏去噪算法的有效性。为了实现高速列车轴承故障特征的提取,本文将集总经验模态分解与全变差稀疏表示方法结合起来。首先对信号进行分解,得到若干个分量,再通过筛选得到符合要求的分量,并对其进行稀疏去噪,最后重构去噪后的分量,得到提取出的冲击特征。将本文提出的方法应用于高速列车轴承故障诊断仿真信号和实测信号中,证明该方法能够有效实现信号的稀疏表示、提取振动信号中的故障特征。