道岔作为铁路关键设备之一,其技术水平在一定程度上反映了一个国家的铁路轨道的发展水准。我国铁路道岔已经进入高速道岔的广泛应用阶段,其技术成熟度、安全性都得到了极大的提高。但是,目前道岔的监测手段依赖于人工浏览信号集中监测系统中的道岔动作电流数据,具有智能性差、漏警率高等缺点,这致使对于道岔的状态监测及故障诊断一直是铁路现场中最为关键,也最为繁重的工作之一。对于高速铁路道岔进行故障诊断主要涉及到两个问题：一是高效的故障诊断算法,使得故障诊断模型能够及时、快速地给出高准确率的诊断结果。这其中的难点在于故障诊断模型需要极高的适应性和容错性,使得模型能够适应现场不同道岔的不同工作状态,做出智能判断；二是道岔不同工作模式对应的特征准确描述,使得输入故障诊断模型是可以表示道岔工作状态的最简洁且高效的特征组合。针对以上两个问题,本文提出两种基于核函数方法的机器学习算法：SVM和核Fisher,分别利用道岔动作电流曲线和分线盘上的位置电压,对道岔的机械结构和控制电路两部分进行了故障诊断;提出了智能分区的融合特征表示法、Fisher特征选择法、主成分分析法对道岔电流曲线的特征进行表示、选择和提取。本文主要完成的工作如下：(1)结合高速铁路道岔的工作原理和监测原理,明确道岔故障诊断的实际需求。提出本文需要研究的经典故障模式,并分析其故障原因以及故障特点。根据不同故障模式的故障特点,提出智能分区的融合特征表示法。(2)利用F isl ler特征选择方法对所有特征进行筛选,保留利于进行故障诊断的特征；利用PCA和KPCA的方法对选择出的特征进行提取,以使得以最少、最有效的特征来表示每一条道岔动作曲线。(3)利用SVM方法实现故障诊断分类器,对道岔电流曲线的特征数据进行故障诊断,完成了故障诊断的实现与验证。验证算法在使用3维输入特征时,正确率可达到96.667%,训练时间和正确率均可满足现场需求。其中研究了启发式算法对于核参数以及惩罚参数进行优化的意义,提出了遗传算法和粒子群算法的结合优化算法。(4)利用基于核的Fisher判别方法实现故障诊断分类器,对道岔的分线盘位置电压数据进行故障诊断,完成了故障诊断的实现与验证。验证算法的正确率可达87.5%,明显高于以往被研究的其他方法。本文通过KPCA, SVM和核Fisher的方法对核方法进行了研究、优化与应用。经验证结果表明,核方法具有在模式识别问题中的先进性和在高速铁路道岔故障诊断中的可行性。