轴承作为高速列车安全运行中的重要零部件,所处的服役环境复杂,容易造成磨损、裂纹、剥落等故障,从而给高速列车的运营安全带来很大的威胁,因此对高速列车轴承状态进行实时监测至关重要。目前主要使用车载轴温实时监测系统对轴承的温度变化进行监测,通过设置预警报警阈值来进行预警,从而采取补救措施,有效的避免轴热、燃油而引起的危险事故。由于高速列车运行的工况较为复杂,影响轴承温升的因素较多,且现有的轴温监测系统误报漏报现象频发。因此,本文基于高速列车电机定子、小齿轮箱轴承和大齿轮箱轴承温度的相关数据,对高速列车轴承温升预测方法进行研究,从而达到有效保障高速列车的运行安全,减小维修成本等目的。主要研究内容如下:（1）首先,建立了基于ARIMA时间序列分析的高速列车轴温预测模型。由于ARIMA模型建模只考虑了该高速列车轴承历史温度数据,通过历史温度数据来对未来温度数据进行预测,且高速列车轴承温度数据具有复杂性,使ARIMA时间序列分析模型在高速列车轴承温度预测中存在一定的局限性。从预测结果可以看出时间序列分析模型对轴承温度进行静态预测时的预测效果最为理想,在动态预测时,随着预测步长的增加,预测数据的滞后性越来越明显,延迟不断增大,预测的性能随之降低。（2）其次,建立了基于BP神经网络的高速列车轴温预测模型。从轴承温升原理出发,确定影响轴温变化的敏感因素。根据轴承历史相关数据,建立数据样本。根据BP神经网络算法,确定BP神经网络的网络层数、隐含层的节点数以及网络层之间传递函数的选取,根据数据样本集进行归一化处理后对模型进行训练,建立基于BP神经网络的高速列车轴承温度预测模型。最后采用该模型对高速列车三类轴承温度实测数据进行预测,对其预测误差结果进行分析,结果表明基于BP神经网络的高速列车轴温预测模型预测效果比较理想且泛化能力较好。（3）最后,综合上述两种方法的优点建立了基于ARIMA-BP神经网络优化的高速列车轴温预测模型。为保证高速列车轴承温度的高预测精度,本文将ARIMA预测模型与BP神经网络预测模型相结合,采用ARIMA预测模型对BP神经网络预测的误差进行矫正,进一步提高了预测精度,优化了温度预测模型,采用ARIMA-BP神经网络优化的高速列车轴温预测模型对高速列车三类轴承温度序列进行预测分析,结果表明优化预测模型可以有效改善单一模型预测时的误差积累,从而进一步提高了高速列车三类轴承温度序列的整体预测效果。