道岔系统用于实现列车转线或跨线运行,转辙机给道岔的转换提供动力,其机电结构复杂、动作频繁且长期处于室外环境,一旦出现故障会对铁路运行的安全造成严重的影响。但目前在铁路现场,主要是采取定期检修和设天窗点维修的方法来保证转辙机安全可靠的运行,故障原因的识别大多依赖于维护人员的经验,为了解决此种故障诊断方法的工作量大和效率不高等问题,本论文对转辙机智能故障诊断进行了研究。（1）转辙机故障数据特征处理。基于转辙机功率信号数据,分析了8种常见故障的功率信号曲线及其故障原因分析。针对转辙机故障数据较少,正常数据与故障数据不平衡的问题,对故障样本分别进行了基于少数合成类算法（Synthetic Minority Over-Sampling Technique,SMOTE）、SVMSMOTE、KMeans SMOTE的过采样算法和生成对抗网络以平衡数据集,对比发现使用KMeans SMOTE效果较好。在特征提取上,分别进行了基于时域、频域特征参数的人工提取特征,和自编码器的自动学习特征。（2）故障诊断。基于支持向量机（Support Vector Machine,SVM）、多层感知器（Multi-Layer Perceptron,MLP）和卷积神经网络（Convolutional Neural Networks,CNN）设计分类器。在SVM与MLP的诊断研究中,特征提取模型与分类器模型需要分开设计。而CNN可以自动提取特征,将特征提取和分类学习统一到一个模型中,实现了端对端的学习。SVM、MLP对特征数据的分类效果显示,自编码器提取特征的效果优于时域、频域的特征参数提取。对比3种分类器的分类准确率,CNN模型的准确率最高,具备实用性。（3）故障诊断系统设计。利用SQLite数据库来存储样本数据,并基于Py Qt5设计道岔故障诊断系统,系统可以展示8种类型故障的功率曲线,以及故障类型的识别和故障原因分析,可以对转辙机的维修提供帮助。图71幅,表18个,参考文献58篇。