高速铁路道岔故障诊断方法研究的核心内容在于如何有效地获取、分析、处理和利用历史数据信息及专家经验,并在给定环境下对道岔的运行状态进行准确的预测和识别。其瓶颈之处在于先验知识获取及处理方面的制约,对于工作环境复杂、故障机理不确定、故障表现形式随机性强的道岔而言,如何利用历史样本信息处理故障与症兆的关系,仍缺乏较高的智能性,本文围绕上述问题,针对特征知识的表达和预处理技术、诊断模型参数的学习及故障与症兆对应规则的设定等诊断过程中遇到的重点问题展开讨论。由于不同的故障可能表现出相同的症兆,而不同的症兆也可能导致相同的故障,对于征兆的描述、故障与征兆的关系往往具有模糊特性,相对于人为参与并设定症兆的阈值,模糊语言变量能更准确地表示这种模糊性的征兆和故障,因此,本文将模糊神经网络FNN(Fuzzy Neural Network)理论引入到高速铁路道岔的故障诊断应用中,本文主要完成了以下工作：首先,对道岔故障诊断的国内外研究现状进行分析,总结目前道岔故障诊断的现状和存在的问题,提出道岔故障诊断的实际需求；结合道岔的工作原理及故障模式,’分析其故障特点及故障原因,为后面的研究做好准备。其次,针对道岔的故障机理与故障模式,根据道岔运行过程特点,通过三种特征提取方式对道岔电流曲线进行特征提取,再通过ReliefF算法对提取的特征进行选择,选择对于区别故障最有意义且与目标概念最相关的高效简约的特征作为诊断系统的输入,以降低特征向量维度,使得诊断模型的性能和运行效率得到提高。然后,在对道岔的工作原理和故障模式进行分析的基础上,根据道岔的故障特点建立FNN故障诊断模型,在数据预处理方面,将提取的特征向量经过特征选择后作为模型的输入,并将各类特征向量对应的典型故障类型作为输出,同时基于专家经验总结的推理规则,用模糊语言来描述症兆与故障的关系,再通过对特征样本数据的学习训练,将专家经验转换为症兆与故障之间的映射关系,然后采用一阶梯度寻优算法对模型参数进行优化,并完成规则的自动更新过程,确定网络参数,构建诊断模型。最后,仿真验证模型的诊断效果,误差率能够达到要求且诊断效果较为满意,证明该方法可行,并根据需求完成道岔故障诊断软件的设计,实现故障状态识别并给出维修建议。