铁路道岔系统（Railway Turnout System,RTS）担负着引导列车转向行驶、确保列车平稳安全运行的重要任务,一旦出现故障就会极大程度影响运输效率甚至危及乘客生命安全。随着铁路运输网越织越密,保证道岔系统的高可靠性越发受到铁路部门的高度重视。目前,国内在日常维护工作上主要根据维修计划进行周期性保养,这种“计划修”模式无法根据道岔剩余使用寿命（Remaining Useful Life,RUL）进行“状态修”,容易造成“欠维护”和“过维护”。在故障诊断和定位工作中,由于集中监测系统报警准确度难以满足要求,智能诊断算法的应用则一直受限于数据不平衡的问题,因此主要依靠人工进行故障排查。本文旨在将故障预测与健康管理（Prognostics and Health Management,PHM）的理念运用到道岔维护工作中,在道岔正常工作阶段预测其RUL,为“状态修”提供指导;在故障发生后的诊断工作中,有效应对故障数据不平衡的问题从而提高诊断效率和精度。为实现上述目标,本文以ZYJ7型道岔为研究对象开展了故障预测和诊断研究。在预测工作中,提出了一种基于改进稀疏自编码器（Improved Sparse Auto Encoder,ISAE）和门控循环单元网络（Gated Recurrent Unit,GRU）的道岔故障预测方法。在诊断工作中,提出了一种基于Borderline-SMOTE（Synthetic Minority Over-Sampling Technique）算法的道岔特征数据合成模型,并将真实数据和合成数据输入GRU网络进行诊断,达到了较高的诊断精度。论文的主要工作可总结为以下几点:（1）在故障预测工作中,提出了基于改进稀疏自编码器和门控循环单元网络的道岔故障预测方案,通过改进稀疏自编码器对道岔退化特征进行提取,然后通过特征选择和特征融合得到了道岔健康指标（Health Indicator,HI）。最后,考虑到HI在时间序列上的强相关性,引入门控循环单元网络“整合”历史时刻和当前时刻HI进行RUL预测,最后通过在多个指标上与不同预测模型进行对比验证了本文模型的有效性和良好性能。（2）在故障诊断工作中,针对道岔故障数据和正常数据之间存在的不平衡问题,提出了一种基于Borderline-SMOTE算法的道岔特征数据合成模型,通过多种方式验证了合成特征和真实特征具有较高相似度。利用门控循环单元网络在所有特征数据上进行诊断分类,识别准确率超过了97%,最后和多种算法进行了对比实验,得出本文方法具有一定的优势。（3）本文设计开发了道岔故障预测和故障诊断软件,并利用现场数据对各个功能进行了测试,结果表明该软件达到了现场应用要求。图49幅,表12个,参考文献75篇。