铁路健康状况的实时检测能够及时发现潜在的安全隐患,对保障高铁安全运行有着重大意义。基于漏磁检测原理的探伤方法,是一种非接触式的、快速、精确的检测手段。为了保证检测的准确性,在合理设计漏磁信号检测设备的基础上,对检测到的漏磁信号的分析至关重要。本文重点对漏磁信号进行了分析,基于SVM对漏磁信号进行识别并且首次提出使用稀疏学习理论对钢轨裂纹产生的漏磁信号进行分析,取得了良好的识别效果。本论文根据漏磁检测原理,设计了基于多传感器的漏磁检测电路,对不同形状和尺寸的钢轨裂纹进行检测;分析了不同传感器采集到的信号的特点和不同速度下信号的变化;采用自适应滤波和经验模态分解对采集的信号进行预处理;用实验采集到的漏磁信号构建了包含不同裂纹的漏磁信号样本库,为后续的信号分析打下基础。在漏磁信号特征提取上,综合时域和频域信息,提出了采用峰度、功率谱等特征,设计基于SVM算法的多传感器信息融合分类器,对不同裂纹进行分类;受到稀疏表示对信号有很好的表达能力的启发,从图像分析的角度出发,通过DKSVD字典学习方法,自动的提取漏磁信号特征,对不同裂纹进行分类。本论文设计的漏磁信号检测设备能够全面的采集钢轨裂纹漏磁信号的三维分量,能够准确的检测到最小宽0.2mm和深0.2mm的裂纹;提出了新的钢轨裂纹漏磁信号特征,设计的基于SVM的多路传感器融合决策方法能够准确的对裂纹种类进行分类;首次将DKSVD算法应用到漏磁信号识别,能够自动提取出信号的特征,对漏磁信号的识别效果良好。