铁路运输作为主要的运输方式之一，其安全性与可靠性问题得到了普遍关注。25Hz相敏轨道电路作为铁路运输设备的基础组成部分，大部分都在铁路站内使用。如果发生故障，会延迟列车运行，降低运营效率，甚至会导致安全事故。因此，其工作状态与性能对铁路的运营效率及保证人员安全至关重要。目前，25Hz相敏轨道电路设备的故障诊断存在效率低、准确性不高，且依靠维修人员的工作经验进行判断与故障定位，随着铁路行业飞速发展，其维护手段与诊断方式不能够得到有效提高。因此，为了缩短设备的维修时间，快速、准确地定位故障原因，及时地进行维修尤为重要。有必要建立一种智能化的故障诊断方式，快速、准确地发现设备故障原因，提高维修效率。因此，本文提出一种IBA-FNN(Improved Bat Algorithm-Fuzzy Neural Network，改进蝙蝠算法-模糊神经网络)模型，对25Hz相敏轨道电路的故障诊断进行深入研究。　　论文主要完成以下内容:　　首先，在分析25Hz相敏轨道电路的工作原理的基础之上，针对不同的工作状态，分析站内25Hz相敏轨道电路的常见故障及其故障原因。通过对轨道区段特征模拟量分析，得到电压临界状态的计算值，应用于系统的报警输出。然后，结合本文的主要研究，得出25Hz相敏轨道电路故障诊断过程总体框图。　　其次，引入BA(Bat Algorithm，蝙蝠算法)，对标准蝙蝠算法作了介绍，包括蝙蝠算法的基本思想、超强的回声定位行为、特点与基本步骤;为了验标准蝙蝠算法具有良好的寻优性能，通过标准测试函数对GA(Genetic Algorithm，遗传算法)、PSO(Particle SwarmOptimization，粒子群算法)、BA进行寻优性能的分析与比较。最后对BA进行改进，提出一种IBA(Improved Bat Algorithm，改进蝙蝠算法)，并用标准测试函数验证改进算法的有效性。　　最后，根据模拟蝙蝠的飞行过程，用IBA优化模糊BP神经网络，构建出25Hz相敏轨道电路故障诊断的IBA-FNN模型结构，运用轨道电路训练样本对其仿真训练，便可得到IBA-FNN模型的诊断输出结果。通过对不同模型的比较表明:IBA-FNN模型不仅学习训练次数明显减少，训练时间缩短，且寻优精度较高，有效地提高了25Hz相敏轨道电路故障诊断的精度。