近年来,我国的高铁技术持续快速发展,目前已处于世界领先地位。高铁不仅为我们带来了时间、空间上的便利,也极大的推动了高铁沿线城市的经济发展。但是随着运营速度的提升以及线路的不断延伸,列车关键部件的服役环境变得越加严酷恶劣。其中,轴箱轴承作为将轮对的转动转化为列车平动的重要部件,其工作状态直接影响列车能否安全平稳运行。因此,发展轴箱轴承监测诊断技术是极其必要的。本文重点对轴箱轴承故障信号特征提取以及智能故障状态识别这两部分进行研究,并提出了相应的轴箱轴承故障诊断模型。故障特征的提取方法是实现故障诊断的核心技术。由于轴箱轴承复杂的工况,所采集的振动信号中含有多种噪声源,导致重要故障特征几乎被噪声淹没。传统的分析方法由于算法自身的限制很难对此取得较好的处理效果。经过各国学者多年的研究,该领域涌现了一些具有较高适应性、鲁棒性且智能化的信号处理方法。因此,寻找能够对轴箱轴承故障信号具有较高诊断率的算法并不断完善对建立高速列车智能监测诊断体系具有重要意义。针对难以从振动信号中提取故障特征这一问题,本文提出一种基于K-SVD和HBW-OOMP算法的轴箱轴承故障特征提取方法。文中详细介绍了稀疏表示的基本理论以及应用于轴箱轴承故障诊断领域的基本思路。通过构造冗余字典,选取与原信号匹配的原子重构信号,实现较大程度上抑制噪声并保留冲击成分。为了提高原子选取的效率,本文引入了HBW-OOMP算法并加以改进。采用高速列车轴箱轴承实验数据进行验证,证明了该方法能够准确提取特征,实现轴箱轴承的故障诊断。为了实现滚动轴承早期故障的智能诊断,本文提出了一种基于稀疏表示理论的早期故障诊断方法。以Laplace小波为基底构造冗余字典,利用HBW-OOMP选取原子。研究发现,选取原子的频率参数对于滚动轴承的早期故障十分敏感,故以频率参数为输入特征,利用粒子群优化的SVM进行智能分类。采用全寿命周期数据验证该方法,取得了较高的诊断精度。