中国的国土幅员辽阔,但是资源分布不平衡,各个区域之间发展不平衡,存在很大的差异。铁路运输是一种长距离大运量的运输方式,其作用难以被取代。此外,截止至今,我国"四纵四横"的高铁主干网络已经基本构建完成,在区际运输中发挥着重要作用。在铁路运输中,最值得关注的必然是安全问题。目前,我国的列车与其关键零部件的在线识别、预测诊断以及监控技术具有很大的发展空间,且具有很大的现实意义。由此,本文对列车轮对的重要部件—滚动轴承进行了特征信号分析对其故障进行了诊断研究。首先文章对滚动轴承的结构和振动的故障机理进行了分析,并对其失效形式、振动类型及产生故障的原因进行了较为全面的探讨。论文还分析了其不同状态轴承的各类时域特征值以及其FFT谱和功率谱图。文章对四类不同故障程度的轴承振动信号进行滤波处理,再对滤波后的信号做hilbert包络分析,最后利用SPM方法得到信号的冲击值,可以判断其是否发生了故障。但是该方法不能有效的判断轴承故障的位置。论文将α稳定分布参数估计和不同状态的轴承振动信号建立联系,提出了α稳定分布参数估计分别与BP神经网络、最小二乘支持向量机(LSSVM)结合的故障分类模型。将每类状态的轴承信号进行α稳定分布参数估计,然后取其敏感性及稳定性最优的两组参数作为故障特征量分别输入到BP神经网络模型以及最小二乘支持向量机(LSSVM)模型中进行故障分类。论文使用标准的电机轴承振动信号数据以及轮对跑合试验台上的实测振动信号数据进行实例分析,结果显示:两种模型对于标准的电机轴承测试数据都能够实现准确的故障分类。BP神经网络模型对于列车轮对轴承的故障识别能力不佳,LSSVM模型可以有效对列车轮对滚动轴承不同故障位置的智能分类。