中国铁路的高速发展使其运输效率提升的同时也向其重要信号设备——道岔,特别是安装于高速铁路的道岔,带来了更为沉重的维护压力。然而,国内各大铁路局普遍采用周期修的模式对道岔进行维护,且对于道岔的故障诊断主要依靠维护经验。因此,故障道岔的运行状况无法被及时获得,经验并不丰富的维护者亦无法准确判断道岔故障的原因并有针对性地进行维护。这些都会导致产生故障的道岔无法得到及时或正确的维修,轻则影响铁路运输效率,重则造成生命及财产损失。为了解决上述两个问题,实现针对高速铁路道岔的状态修维护模式,有必要为高速铁路道岔设计故障识别及诊断方法,能够向维护者及时提供故障道岔信息及其可能的故障原因。如此一来,即可有指导性地帮助维护者及时排除故障,摆脱周期修维护模式,增强高速铁路道岔维护的实时性和效率。本论文在研究了高速铁路道岔的工作原理和故障模式后,考虑到难以为其建立精准的数学模型,但各种模式下的道岔转换功率及电流曲线都有所区别,采用机器学习方法——支持向量机(SVM)构造经验模型利用上述曲线数据进行故障诊断,并着重研究如何使用SVM构造诊断方法实现最佳的诊断性能。论文的主要工作如下。1)道岔故障诊断现状及需求分析：分析道岔现场故障诊断的现状和存在现象,提出故障诊断的实际需求。分析常见故障诊断方法特点,并结合上述需求选择故障诊断方法的核心算法。2)故障模式总结及分析：调研获得铁路现场的故障样本数据,通过与维护专家交流归类常见的故障模式,并结合道岔的实际工作原理和组成结构分析对应模式的故障原因。3)故障诊断方法研究：利用之前总结的故障模式对样本数据进行分类,以SVM作为核心,结合多种特征提取算法及优化算法构建诊断方法,使用已分类样本测试并比较各种方法的性能,最终确定采用基于网格搜索参数优化算法的SVM诊断方法。4)故障诊断软件设计：与铁路现场维护专家交流确定软件功能需求,并根据需求进行软件模块及系统功能设计。5)诊断软件现场测试：通过在室外模拟环境人工制造故障样本测试软件诊断性能,将软件安装至现场监测端进行实时诊断测试并对其进行功能测试与改进。论文的研究成果为一款道岔故障诊断软件及其相应诊断方法。诊断软件在测试阶段获得了较满意的结果,证明了该诊断方法的可行性。