随着高速列车速度的提升，轮轨之间的相互动力作用加剧，车轮踏面上普遍存在多边形磨耗。车轮多边形引起的冲击振动，会对轮轨系统造成损伤，影响列车运行的稳定性和安全性，因此研究车轮多边形的检测识别方法具有重要意义。根据车轮振动信号的非平稳特性，本文将改进的集合经验模态分解(MEEMD)方法引入车轮振动信号的分解与分析中，研究了分量信号的时频特性；并进行了主要分量的选取及其熵值特征的分析与提取，在此基础上提出了基于多尺度排列熵特征和GA-SVM的车轮多边形识别方法，并进行了实验分析验证。本文的主要研究工作如下：　　(1) 实验数据采集和振动信号的分析处理。分析了现有检测方法，通过现场实验，采集了高速列车正常车轮和多边形车轮的轴箱垂向振动加速度信号。针对车轮振动信号的非平稳特性，运用了在抑制模态混叠方面更有优势的MEEMD方法将信号分解成了多个IMF分量，从时域上看，多边形车轮的振动具有明显冲击性，而正常车轮振动较均匀。对各IMF分量分别进行了包络谱分析和频谱分析，从包络谱来看，多边形车轮的谱峰值出现与车轮转频一致的频率，这是区别于正常车轮的频率特征；从频谱来看，多边形车轮一阶分量谱线明显出现车轮转频的倍频，由此能获得该车轮上显著存在的多边形的阶数信息。　　(2) 振动信号的主要分量的选取及其多尺度排列熵特征的分析与提取。为了从多个IMF分量中选取与故障相关性较大的分量，提出了根据分量的峭度值与相关系数共同选取主要分量的方法。从实验数据的计算结果来看，该方法能够找到包含主要故障信息的IMF分量。利用排列熵能反映信号复杂性和动力学突变的特性，提出了提取多尺度排列熵偏均值作为车轮振动信号特征的方法。对实验信号的计算和分析表明，两类信号所表现的多尺度排列熵特征不同，采用其偏均值构造出的特征向量，能够反映故障特征信息。　　(3) 车轮多边形故障的识别方法及其模型建立。采用遗传算法-支持向量机对车轮多边形故障进行了识别诊断。将两类信号的特征向量输入到GA-SVM分类器中，经过训练和测试，识别准确率达到了97.5%。通过与其他识别方法的识别效果进行对比，验证了本文所提方法的有效性和优越性。最后，采用可交互的图形界面对车轮多边形故障识别模型进行构建，提高了该方法的实用性。