转向架构架是转向架的支撑部分,能保持转向架的结构形态,是转向架的重要组成部分。本文的研究对象是某型地铁车辆转向架构架,探索不同地铁车辆速度运行、不同车辆类型的转向架构架的运行状态的识别方法,状态识别的主要步骤包括特征提取和模式识别。提出一种基于时频图纹理特征与二维卷积神经网络（Convolutional Neural Networks,2D-CNN）迁移学习相结合的转向架构架运行状态识别方法。使用小波变换的时频分析方法,绘制小波变换时频图,将时频图的能量纹理特征作为图像敏感特征;输入到2D-CNN迁移学习模式识别方法的Squeeze Net模型中,实现对转向架构架的运行状态进行状态识别。针对地铁车辆转向架及其结构特点,以不同速度下（40km/h、90km/h）的不同地铁车辆（动车、拖车）类型的转向架构架为研究对象,即动车40km/h、动车90km/h、拖车40km/h、拖车90km/h等四种转向架构架运行状态。设计转向架构架振动数据采集试验方案,选择加速度传感器并安装于构架靠近端部的振动最剧烈的位置,使用数据采集器采集传感器采集到的振动数据,在信号处理PC端筛选、存储数据。针对经过处理的振动数据,使用时域分析、时频域分析等常规的敏感特征提取方法,对振动数据进行分析和处理。时域分析方法包括峰-峰值、均值、方差、峭度、均方根等敏感特征指标,对这些指标分析之后选用方差、峭度、均方根特征指标。使用主成分分析方法（Principal Component Analysis,PCA）实现振动信号的时频域特征降维和提取,对振动信号进行小波包分解并计算能量百分比特征,以PCA方法分析小波包分解的能量特征,进而实现信号时频域特征降维和特征提取的目标。在分析时域分析方法和时频域分析方法的不足的基础上,分析时频分析方法,基于小波变换的时频分析方法绘制小波变换时频图;分析纹理特征能量参数指标,将能量纹理特征作为图像敏感特征。使用1D-CNN状态识别方法,实现对转向架构架运行状态的识别。将PCA分析提取的小波包分解的能量特征,联合方差、峭度、均方根等时域特征;输入到BP（back propagation）神经网络模式识别方法中进行构架状态识别,即PCA分析小波包-BP（添加时域特征）的状态识别方法;进行试验验证该方法的可行性。对比使用PCA分析小波包-KNN、PCA分析小波包-BP、PCA分析小波包-KNN（添加时域特征）等状态识别方法;通过试验对比上述方法,验证1D-CNN状态识别方法的先进性。综合分析上述特征提取方法和模式识别方法的优点和不足,结合时频图纹理特征的直观性等优点以及图像识别技术的应用要求,提出一种基于时频图纹理特征与2D-CNN迁移学习相结合的状态识别方法。2D-CNN迁移学习方法有两种应用模型Google Net和Squeeze Net,Google Net模型的中心思想是以密集结构模块来近似优化识别模型的结构;Squeeze Net模型压缩优化了Google Net模型的特征提取层结构。通过试验验证了所提方法对转向架构架的运行状态进行状态识别的高效性和优越性。