我国城市轨道交通在迅速发展的同时,轨道交通列车的运营安全问题日益突出。城市轨道交通列车是机电一体化的复杂运行系统,其走行系的系统状态和性能在不断演化的过程中,会形成安全隐患,甚至引发事故,严重影响市民的日常出行,同时诱发严重的社会问题。基于神经网络的故障诊断是智能故障诊断理论与技术的一个重要研究方向。本文对走行系的滚动轴承故障诊断问题展开以下研究：1、针对目前轨道交通列车走行系的滚动轴承故障诊断中存在的问题,论文结合小波包分析、BP神经网络和证据理论,提出了一种综合故障诊断方法。在对加速度信号进行小波包分解的前提下,利用神经网络进行训练,达到故障识别的目标。并通过证据理论对不同神经网络的训练成功概率进行融合,选择相对最优的故障诊断方法。2、论文利用轴承试验台采集内环故障、外环故障、滚动体故障和正常轴承四种滚动轴承的加速度信号,对其进行小波包分析,通过对采集的原始数据分别进行三层,四层小波包分析,并把分析结果作为BP神经网络的输入样本进行网络训练。选择合适的小波包分解层数。3、利用不同神经网络对小波包分解产生的样本进行训练,对轨道列车走行部的滚动轴承进行了故障诊断和识别,找出轴承的故障位置。论文还将小波包理论和算法有机地结合在一起,吸取了二者的优点,提高了滚动轴承故障诊断的效率4、基于证据理论方法进一步对各故障位置的诊断概率进行融合,选出最优诊断方法。将不同故障类型的诊断精度看作证据,实现其在时间域、空间域上进行的融合,对融合结果进行比较,选出最优诊断方法,从而提高了诊断的准确度。