铁路作为重要的交通运输方式之一,由于其运行成本低、运载量大,因此在货运、客运中承担着重要角色。而列车轴承作为列车的关键部件,其健康状况对列车的正常运行和乘客的生命安全有着重大的影响。道旁声学监测系统具有成本低、非接触式测量以及能够发现早期故障等优点,具有良好的应用前景。近年来,人工智能与机器学习得到了快速发展并已成功运用于故障诊断领域。本文考虑到列车轴承道旁声学信号特有的多普勒畸变特性,基于机器学习中的安全域(Safety Region,SR)、反向传播神经网络(Back Propagation Neural Network,BPNN)和零次学习(Zero-Shot Learning,ZSL),研究了一种两阶段学习模型,具体研究内容如下:(1)提出了一种基于SR和BPNN的两阶段学习模型,该方法无需多普勒矫正,并且可以解决故障样本不充分的问题。在应用初期故障样本集缺乏的情况下,仅利用健康样本建立SR模型。当不同故障类型样本集积累充分之后,利用BPNN建立更加精确的诊断模型。在学习模型建立时,直接构建信号统计特征、车速与诊断结果之间的函数关系。首先,介绍了SR与BPNN的基本理论;其次,分析了多普勒效应及其对学习模型建立的影响;然后,提出了基于SR和BPNN的两阶段学习模型;最后,通过仿真和实验对比分析验证了所提方法的有效性。(2)针对初始应用阶段复合故障样本较少的问题,研究了一种基于零次学习的列车轴承复合故障识别方法。该方法可以在缺乏复合故障样本前提下,通过二值属性搭建从单一故障到复合故障之间的信息桥梁,利用已有的单一故障样本建立的属性分类器实现对复合故障的识别。首先,介绍了属性学习和二值属性学习的基本理论;其次,详细阐述了基于二值属性的属性分类器;然后,提出了基于零次学习的列车轴承复合故障识别方法;最后,通过实验信号分析验证了所提出方法的有效性。