轨道交通因其具有准点性，大运量等特点已经逐渐发展成为城市和城际交通必不可少的一部分。为了实现列车的高效，安全的在股道之间的转换，需要在相应的区域设置道岔。因此，道岔工作状态的正常与否将在很大程度上制约乘客和货物的安全。然而，道岔同时又是轨道交通信号设备中最容易出现故障的设备之一，其频繁的故障将对列车的可靠性以及运行效率带来巨大的影响。针对这一问题，目前主要采用人工阈值法实现道岔的故障预警和诊断，但是人工阈值法的适用性较差，需要维修工对不同道岔设置不同的参数；因此，许多研究逐渐开始借鉴机器学习算法，即通过分类，回归，聚类三大基础方法为框架，引入训练集数据对模型中的超参数进行训练，从而得到一个具有泛化能力的模型，但目前应用在道岔领域的诊断模型的检测精度依旧无法满足日常维护的需求。因此，本文围绕上述问题，针对目前现有故障诊断和预警算法精度低，人工开销大等特点，构造出了一套可以通过学习海量历史数据后同时实现智能诊断和预测故障的方法，并将实际采集的道岔数据作为验证集，对模型算法进行了实例验证。
　　本文的核心内容为道岔监测曲线的综合分析，包括道岔的特征分析，特征提取和筛选，并在此基础上所建立的道岔故障诊断模型和道岔故障预警模型，其各部分的工作内容如下：
　　(1)在特征分析，特征提取和筛选中，本文针对微机监测系统所采集的电流曲线数据，提出了一种按动作阶段分段的方法，并且在分段的基础上引进了Relief算法对分段后的特征进行了筛选，从而降低了模型计算开销。最终，通过对分段后提取的特征集采用聚类的方式界定出了正常数据的集合，并将其聚类中心认定为标准曲线。
　　(2)在道岔诊断的模型中，本文针对时间序列异常和波形异常的故障类型，分别引入了基于箱型图和分段相似度的诊断子模型，前者是采用箱型图中离群点的判别关系诊断时间异常故障，后者则是基于导数时间翘曲距离比较待测曲线和诊断集(包括标准曲线和其它故障曲线)内元素之间的距离，并按照最小距离准则进行诊断处理；最终整合两类子模型，实现完整的道岔故障诊断功能。
　　(3)在道岔预警的模型中，本文针对道岔故障时状态变化的特点，采用聚类模型对正常态数据进行了再次分类，从而得到了多个异常状态集，并采用统计的方式获得了状态集之间的转移概率矩阵。最终通过隐马尔可夫模型对异常状态集和转移概率矩阵的处理，实现对下一次道岔动作状态的预测，从而实现道岔故障预警功能。