随着我国高速铁路的迅猛发展,运营里程和运营速度不断攀升,高速列车运行稳定和安全也成为轨道领域研究和关注的焦点。轴箱轴承作为高速列车中的关键旋转部件,除承受因列车重量所产生的动、静等径向负荷外,还要承受诸如轨道不平顺和车轮的多边形效应产生的径向冲击负荷以及过曲线或蛇形运动时产生的轴向负荷等,因此轴箱轴承的稳定可靠运行直接影响到整个列车系统的健康状态。一旦轴承失效,复杂服役环境将导致轴承及邻近部件的性能衰退,甚至导致恶性事故的发生。因此开展轴箱轴承故障诊断方法研究,对提高我国高速列车的运行可靠性、安全性和可维护性,具有十分重大的工程实际意义和应用价值。为实现轴承故障信号的共振频带自适应提取提出了延伸奇异值分解包(extension singular value decomposition packet,ESVDP)方法。所提方法以奇异值分解包(singular value decomposition packet,SVDP)方法的分解结构为基础,通过设计分解精度提高对不同共振频带分量信号的提取性能,使用成对奇异值重构特征信号改善原SVDP方法中的模态混叠问题。以分量信号能量作为有效分量信号的筛选指标,结合ESVDP的分解结构,提出了ESVDP方法的快速算法,大大提高了方法的工程应用价值。通过仿真信号和轴箱轴承轮对试验台数据验证了方法的有效性和稳定性。为实现同频带不同类型故障信号分离,基于对故障轴承循环平稳(cyclostationary)和伪循环平稳(pseudo-cyclostationary)特性的研究,提出了基于周期截断矩阵的故障频带内噪声消除的特征增强方法。研究了循环平稳信号构造的周期截断矩阵具有秩一特征,并应用周期截断矩阵的谱范数重构周期分量信号。推导出该方法分离的周期分量信号的信噪比与矩阵秩的关系,为待分析信号的序列长度设计提供了参考,同时为设置嵌入维度提供了依据。针对奇异值比谱不再适于提取伪循环平稳信号嵌入维度的问题,通过对伪循环平稳信号的奇异值分布特性进行研究,发现利用伪循环平稳信号构造的周期截断矩阵不再是秩一矩阵。据此,提出采用能量差分奇异值比谱和能量差分谱确定嵌入维度和奇异值有效秩阶次,提高了构造周期截断矩阵的准确性,提升了对周期分量信号的分离能力。应用仿真和试验台数据验证了方法的有效性,所提方法相比大部分非平稳信号分解方法的一大显著优势是能够分离出同频带的不同类型故障周期信号,大大提升了包络谱分析的准确性和可靠性。为实现多故障滚动体间隔的自动识别,基于卷积平均思想提出了多故障滚动体间隔识别方法。建立了多故障滚动体振动信号中同保持架周期内相邻脉冲组最大脉冲之间的时间间隔关系,分析了时域方法在识别故障滚动体间隔中的局限性。所提多故障滚动体间隔识别方法具有较高的效率和抗干扰能力。