高速铁路在我国交通运输体系中发挥着重要作用。道岔是高速铁路线上的关键设备之一,道岔是否健康直接影响高速铁路干线的运输效率和行车安全。传统的道岔故障诊断技术具有费时、费力、准确性不高等问题。如何提高铁路道岔故障诊断的正确率和效率,保障列车安全行驶,仍然是铁路工作人员面临的一个重要问题。因此,对于道岔设备故障的诊断具有重要的研究意义。论文以河北省科学院应用数学研究所“基于大数据处理的铁路电务故障诊断研究课题”为背景,以道岔状态监测电流数据为研究对象,提出了一种基于集成学习的道岔故障诊断模型。采用集成学习Stacking算法,把传统分类器与深度学习相结合,以提高模型的正确率。主要研究内容包括:(1)道岔状态监测电流数据的分析和预处理:对道岔状态监测电流数据进行深入分析,不同道岔状态监测电流的波形图代表不同的道岔故障类型。针对道岔状态监测电流数据维数不一致的问题,对数据进行预处理,采用二重埃尔米特插值算法对数据特征值进行维数统一。(2)基于传统分类器的道岔故障诊断研究:采用SVM(Support Vector Machine)、BP神经网络以及决策树分别对预处理后的道岔电流数据进行故障诊断。通过模型训练、参数调优,其正确率分别为90.16%、85.53%、83.39%。(3)基于集成学习的道岔故障诊断研究:为了提高算法的故障诊断正确率,采用集成学习Stacking算法。将SVM、BP神经网络以及决策树作为第一层基学习器。第二层采用一个元分类器,分别由深度置信网络和一维卷积神经网络作为元学习器,构建了基于集成学习的深度置信网络道岔故障诊断模型和基于集成学习的一维卷积神经网络道岔故障诊断模型。通过两个模型的比较,基于集成学习的一维卷积神经网络道岔故障诊断模型正确率更高,时间更短。(4)高速铁路道岔故障诊断系统:利用Pycharm、Visual Studio以及SQL Server数据库等工具设计并开发出一款高速铁路道岔故障诊断系统。帮助铁路工作人员及时判断道岔是否发生故障并识别故障的类型。