轨道电路作为铁路信号系统的基础设备之一,对整个铁路信号系统的正常运行发挥了重要的作用。25Hz相敏轨道电路是我国铁路普遍使用的站内轨道电路制式,因为其设备所处环境恶劣,并且长期高强度连续运行工作,导致轨道电路故障时有发生。一旦轨道电路发生故障,将会给整个信号系统造成不良影响,降低行车效率,甚至导致安全事故。目前,现场对轨道电路的故障处理都是电务维修人员通过仪器仪表对故障特征参数测量后的经验判断。然而,轨道电路结构复杂,影响轨道电路工作的因素很多,故障原因和故障特征参数之间并没有明确的对应关系,人工诊断方法精度低、效率差。根据实际情况采用人工智能方法进行轨道电路故障诊断就显得非常必要,但是已有的故障诊断方法大都采用单一智能方法,因其知识库的不完善以及考虑角度的片面性,会导致诊断精度偏低,并且在诊断过程中往往存在局限性,因此针对本文的研究对象25Hz相敏轨道电路,提出一种基于改进证据理论的故障诊断方法来满足轨道电路的实际需求。本文的研究内容包括以下几个部分:首先,介绍25Hz相敏轨道电路的结构原理,根据对其不同工作状态的分析,总结归纳常见的轨道电路故障类型及其故障产生的机理。建立轨道电路四端网络模型,通过对轨道区段模拟量的计算,得到轨道电路的临界电压值。其次,建立初步诊断模型。分别运用灰色关联分析、模糊综合评判和BP神经网络三种智能方法对轨道电路进行初步故障诊断,并且利用各诊断方法的输出结果来构造证据理论所需要的BPA(Basic Probability Assignment,基本概率赋值)。最后,建立改进证据理论故障诊断模型。以诊断方法的误判率确定证据的可靠度,以证据距离和不确定度确定证据的信任度。结合证据的可靠度和信任度获得权值,对证据的BPA进行重构,消除各方法所得BPA之间存在的证据冲突。运用证据理论合成规则将重构的BPA进行融合,决策故障结论。诊断结果表明,相比单一智能诊断方法,本文基于改进证据理论信息融合的故障诊断方法具有更高的诊断精度,诊断结论更为可信。