轨道电路用于自动、连续监测区段是否被车辆占用同时控制转辙装置,以保证行车安全。轨道电路出现故障会严重影响行车安全,因此提高轨道电路故障诊断的准确性、及时性十分必要。尽管现今已有许多关于轨道电路故障诊断的智能算法,但是铝电解电容劣化和轨道电路多故障分类还没有被深入研究。在这些问题中检测延迟大并且很多故障难以被准确分类。本文针对铝电解电容劣化这类渐变故障的检测、轨道电路的多故障分类问题开展了如下研究工作:传统检测方法根据主轨道出电压偏离幅度来判定是否发生电容劣化,但环境因素对主轨道出电压的影响也不可忽略,导致这种方法难以在电容劣化初期检测出来故障。为了减少检测延时,我们采用支持向量回归方法对正常工况主轨道出电压数据建模,随后构造残差信号对劣化进行检测以减少环境因素对主轨道出电压的影响。但是,大多数机器学习建模忽略了观测误差带来的影响并且机器学习建模方法本身也存在模型误差。考虑到上述问题,我们进一步提出将机器学习与数据同化算法融合,利用数据同化来减小模型误差造成的影响。我们将两种算法应用于调谐匹配单元铝电解电容的劣化检测。铝电解电容劣化检测实验结果表明该种融合算法优于单一的机器学习方法。受端电缆故障与很多测量参数有关,各数据之间耦合难以分离。我们通过多种方法混合来解决受端电缆开短路故障的检测和定位。该方法在Fisher分类器的基础上构造分段线性分类器,实现了对受端电缆故障的准确分类。进一步,我们考虑96类轨道电路故障分类问题,由于数据多且数据之间存在耦合,传统的方法分类错误率很高。我们采用集成学习的方法来构建分类器来解决上述问题。最终,一个包含96类故障数据集的仿真实验证明该分类方法有效性。