滚动轴承作为高速列车走行部的关键“关节”零部件,对保证列车安全平稳运行与列车人员的生命安全有着重要意义。在技术人员对于轴承实时运行状态更全面需求的日益增长与多传感器信息融合技术高速发展的大背景之下,传统奈奎斯特采样定理下采集到的冗余数据呈现爆炸式增长趋势。为此,本文提出使用压缩感知方法进行滚动轴承的早期故障诊断,该方法可在不拆解轴承的情况下对早期故障轴承做智能诊断,并能通过压缩感知软件的实现缓解数据采集、存储、信号传输、后续数据处理给相关硬件造成的巨大压力。本文所做工作总结如下:（1）总结了滚动轴承的分类及基本结构,归纳了滚动轴承振动原因、常见的失效形式及相应原因,分析推导了轴承故障特征频率;并在此基础上通过对比分析确定了本文进行故障诊断所用算法,为下文的算法应用提供了必要的理论基础。（2）分析了滚动轴承仿真振动信号在不同稀疏域下的稀疏性,为实现压缩传感提供必要的理论前提。同时,通过对比分析不同稀疏表达方式对于轴承仿真信号的稀疏表达能力,选择K-SVD字典学习方法作为稀疏表达方法,并通过该方法实现信号的稀疏表示,同时完成故障诊断所用分类字典的建立。（3）提出了使用无需确定基函数的降噪预处理算法—MOMEDA解决K-SVD字典学习方法噪声免疫性较差的问题,同时消除短时傅里叶变换、小波变换等传统信号处理方法基函数选择盲目的弊端。针对使用该算法前需要人为设定相关参数而科学性欠佳的问题,提出了参数自适应的MOMEDA算法,并将其应用于轴承仿真信号与实测信号的降噪预处理,降噪效果良好。（4）对压缩感知的三个核心问题分别进行了理论分析,并在此基础上提出了基于压缩感知理论的故障诊断算法:分析了K-SVD字典学习算法参数对于轴承信号稀疏表达能力的影响,确定了字典学习相关参数的确定方法;研究了确定适用于压缩轴承信号的测量矩阵的方法,并通过选择的最优测量矩阵完成对原始信号的压缩测量;提出了改进的J-SAMP算法,一定程度上解决了传统的SAMP算法的相关度函数无法辨析相同方向的不同长度原子、终止迭代条件并非针对含噪信号的问题;最后,提出了以重构残差为指标,直接使用压缩测试信号与压缩字典进行滚动轴承故障诊断的诊断流程,解决了故障诊断时特征选择主观性强的问题;并使用所提算法对轴承实测信号进行故障诊断,良好的诊断效果验证了所提算法的有效性。