轮对轴承是列车走行部的重要部件,它的健康与否直接会影响列车是否能正常运行。一旦轮对轴承发生故障,轻则会引起直接的经济损失,重则会损害人身安全,因此对列车轮对轴承开展健康监测与故障诊断是十分必要的。本文的研究对象是现役货运列车轮对轴承NJ（P）3326X1,对列车轴承故障声信号瞬态成分提取和道旁声学检测技术中存在的“多声源”混叠问题进行了相关的研究,具体的研究内容如下:针对列车轴承故障声信号瞬态成分呈现“伪周期”的特性,现有的等周期多普勒Laplace小波模型与信号的内在结构就不能够精确匹配,提取瞬态成分就会存在匹配精度不高产生匹配误差。针对以上问题,提出了一种全新的多普勒调制时移Laplace小波模型,能够实现更精确的瞬态成分匹配。另一方面,所提方法虽然精度较高,但所提小波模型参数较多,并且需要逐个提取,计算量很大。为了进一步提升方法的计算效率,提高实用性,我们进一步地提出了相应的“先粗后精”的小波参数估计策略:（1）首先使用等周期模型粗略估计瞬态成分模型参数;（2）然后在这些粗略估计的参数基础上,在瞬态成分逐个提取的过程中再次进行精确估计,这时参数的范围可以设的很小,计算量得到大幅降低,算法效率得到提升。本文所提方法与直接提取方式相比仿真信号提取效率提升了77.08%、外圈故障信号提取效率提升了71.46%、内圈故障信号提取效率提升了72.86%,较等周期多普勒Laplace小波模型提取残差更小,提取瞬态成分效果更好。为了进一步提高瞬态成分提取效率,在保证不失精度的前提下结合遗传算法进行算法优化,仿真分析和实验验证都说明了方法的有效性。针对道旁声学检测技术中的“多声源”混叠问题,提出了基于参数化多普勒谐波和傅里叶复合字典的目标声源分离的方法。在多普勒谐波字典的基础上添加傅里叶字典极大地增加了字典的冗余性,稀疏分解的效率得到了提升。较单一的多普勒谐波字典目标声源分离相比,仿真信号分离效率提升了76.81%、实验信号分离效率提升了84.49%,且分离效果基本相近,仿真和实验验证了所提方法的有效性。