近年来,中国的铁路发展迅速。铁路的飞速发展急需要改进列车维护技术。道岔转换设备是较为重要的驱动装置,是铁路行车保障安全和铁路运输提高效率的关键性设备,是实现基础设施信号互锁的枢纽。然而,道岔数量众多,种类繁多,结构复杂,使用寿命短,安装环境多样等特点,增加了道岔维护的困难。为了检测道岔设备运行状态,当前绝大多数铁路道岔依靠的是传统性常规的预防测试以及人工计划维护。但现场维修的工作人员无法及时发现道岔的故障。另外,手动测试需要维护人员具有丰富的工作经验,而缺乏经验的员工容易在诊断中犯错。为应对这一问题,部分铁路通过采集道岔运行的电流和功率等相关信号,使用基于阈值判断的故障诊断软件的微机监控设备,来实现道岔的故障报警。但由于绝大多数道岔工作过程复杂且工作环境恶劣,往往导致微机监控设备预设的阈值在一段时间失去其参考价值。另外,其预设阈值通常是通过道岔维护专家进行设置固化的,因此使得预设阈值无法及时进行有效更新。针对上述问题,本文基于道岔功率曲线提出了以数据驱动的道岔智能故障诊断方法,并结合实际需求完成了道岔故障诊断系统的设计与实现。具体工作分为以下三个方面:（1）基于IFD-IS的道岔故障诊断方法研究针对已有道岔多故障检测准确率不高的问题,本文研究了基于六种道岔常见故障的智能诊断方法,提出基于滑动窗口和反向神经网络（Back Propagation Neural Network,BPNN）的曲线分段方法ICS-p,对原始道岔动作信号数据实现分段预处理,接着运用特征提取、选择和降维等操作,结合支持向量机（Support Vector Machine,SVM）分类算法,提出了 IFD-IS道岔智能故障诊断方法,实现了道岔的故障诊断,诊断准确率最高达到98.57%;（2）基于数据增强和卷积神经网络的智能故障诊断方法研究针对道岔实际运维过程中故障样本不足的问题,运用人工少数类过采样法（Synthetic Minority Over-Sampling Technique,SMOTE）与深度卷积生成对抗网络（Deep Convolution Generative Adversarial Networks,DCGAN）等数据增强方法扩充了故障样本,并以此结合卷积神经网络（Convolution Neural Network,CNN）提出一种道岔故障诊断模型,实验表明诊断准确率最高达到99%,有效提高了诊断准确率;（3）基于QT的道岔故障诊断系统的研究与实现基于本文所提出的IFD-IS道岔故障诊断模型,使用QT和Python语言对模型算法进行了系统实现,具有数据可视化、曲线分段、特征提取、特征选择、故障诊断等相关功能,完成了操作界面,易于维护人员的操作,方便操作者简易直观地了解道岔运作情况。