铁路作为货物运输和国民出行的主要交通运输方式之一,是一个国家经济实力的具体体现。捣固车作为对铁路进行作业与维修的主要工具,具有至关重要的作用。捣固车的工作环境恶劣,所以更容易发生故障,而滚动轴承是捣固车的重要工作部件,若其发生故障则直接关乎着整个工程的精度和进度。因此,如何准确快速的发现捣固车滚动轴承的早期故障成为今后研究的重点。本文首先将采集到的捣固车滚动轴承的振动信号用改进多小波阈值函数的去噪方法进行降噪处理,并在多小波分析过程中采集多小波系数,将其相关统计值作为故障特征向量,最后将提取到的故障特征向量输入到训练好的支持向量机分类模型中进行分类,其中在构建故障分类模型时采用了改进布谷鸟算法对SVM分类模型中的参数进行优化,并用基于改进布谷鸟算法优化的SVM多类分类器进行故障分类。滚动轴承的工作环境差,因此采集到的振动信号中含有大量噪声,这将会影响故障诊断的准确率,故本文提出了一种改进多小波阈值函数的去噪方法,并将多小波系数作为故障特征向量应用到捣固车滚动轴承故障诊断的分析中。介于多小波的预处理方法针对不同的振动信号会有不同的预处理效果的特点,本文首先针对捣固车滚动轴承振动信号进行多小波预处理方法的选择,同时将相关系数和信号能量作为评价标准,选取出最适合捣固车滚动轴承信号的预处理方法;接着,在小波分析软、硬阈值函数的基础上提出了一种改进阈值函数的多小波去噪方法,通过仿真实验得出改进阈值函数的多小波去噪方法有很好的降噪效果,并用该方法对捣固车滚动轴承振动信号进行去噪;最后在经过降噪后的信号中提取多小波系数相关计算值作为故障特征向量,并将其应用到后续的故障诊断当中。支持向量机中核函数参数和惩罚因子的选取直接关乎着模型分类的准确率。因此本文在布谷鸟算法的基础上提出了一种自适应鸟巢未被宿主发现概率的改进布谷鸟算法,并用此方法对核函数参数以及惩罚因子进行寻优,选择最优参数构建支持向量机分类模型。本文研究了基于二叉树的支持向量机多类分类的捣固车滚动轴承故障分类模型,采用改进布谷鸟算法对支持向量机中的参数进行优化,并将径向基函数作为核函数构建最优支持向量机分类模型,并将其应用到捣固车滚动轴承故障诊断当中。通过仿真实验可以得出基于改进布谷鸟算法优化的SVM故障诊断模型可以较为准确的识别捣固车滚动轴承故障类别。