随着中国高铁事业的飞速发展,轨道车辆的运行时速、载重量都在逐步提升。在高速发展的同时也对列车的安全性能有着更高的要求,首当其冲的就是列车车轴。车轴是构成列车走行部的关键承载部件,在轨道车辆安全平稳运行中起着至关重要的作用。车轴在工作中面临多变的外界环境及繁杂工况,不可避免地会出现裂纹,车轴裂纹发展到一定程度后会使车轴断裂,造成列车脱轨等灾难性的后果。因此能够及时发现车轴故障并准确预测车轴的剩余寿命是十分重要的,既能避免相应的事故发生,又能减少检修维护成本。本文研究了如何对车轴声发射数据进行特征提取和分类识别,以及寿命预测,提出一种基于深度置信网络(Deep belief network,DBN)的分析方法。本文首先介绍了DBN的基本原理与网络结构,在这个基础上研究了DBN的组成部分受限玻尔兹曼机(Restricted Boltzmann machine,RBM),重点分析其权值更新迭代的次数和学习率对特征提取和网络计算时间的影响。在DBN对车轴声发射信号特征提取过程中,对提取到的多维特征采用主成分分析法(Principal component analysis,PCA)进行降维处理,保留前三个主成分分量,使特征在三维空间可视化便于观察。在DBN对车轴声发射信号分类识别过程中,主要分析不同隐层数给信号识别准确率带来的变化。然后通过与极限学习机(Extreme learning machine,ELM),一种浅层神经网络模型的分类准确率对比,验证DBN在处理大量数据时的识别优势。对于不同的车轴裂纹,使用DBN在其他车轴声发射信号数据集中进行实验。针对一段完整的车轴裂纹声发射信号,根据信号均方根值的变化趋势将裂纹分为四个不同的阶段,将不同阶段信号放入DBN网络中进行分类识别。通过在不同数据集上的实验,结果表明,深度置信网络能够从多种车轴声发射信号中识别出裂纹信号并且对于裂纹信号的不同阶段有较好的分类能力。最后提出了一种基于DBN-ELM的寿命预测研究方法,此方法结合了DBN自动提取特征的能力和ELM泛化性好的优势,对出现裂纹后的车轴剩余寿命有较好的预测能力。