在高速列车长期服役过程中,列车转向架关键部件的性能蜕化与故障对列车的安全运行造成严重威胁。列车运行过程中通过在转向架不同位置安装各种类型的传感器对转向架进行评估,对高速列车的安全运营有重要意义。本文通过对监测数据特征提取的分析,建立特征提取知识库,构建了故障诊断决策模型。由于支持向量机参数对其性能影响较大,通过改进的粒子群优化算法优化支持向量机参数。对列车转向架的原车、2种位置的空气弹簧故障、4种位置的横向减振器故障以及8种位置的抗蛇行减振器故障这15种工况,给出了基于分级策略的诊断框架。具体的研究工作如下:1、利用已有的多种列车转向架振动信号特征提取方法,建立高速列车转向架振动信号的特征提取知识库,构建了高速列车转向架故障诊断决策模型,并对诊断决策模型进行了数学描述。2、在故障诊断模型中,通过改进的粒子群优化算法选择支持向量机的惩罚因子以及核函数参数。针对粒子群优化算法易陷入局部最优的问题,给出改进方法,首先,速度更新公式乘以收缩因子,其次,惯性权重采用高斯函数递减策略。利用公开数据进行测试,结果表明使用改进后的粒子群优化算法对支持向量机参数优化能够提高分类的正确率。3、基于分级策略,给出了列车转向架故障分级诊断框架,并根据实际情况确立了分级策略下高速列车转向架故障诊断的分级顺序,诊断顺序依次为原车、空气弹簧失效、横向减振器失效与抗蛇行减振器失效。利用对振动信号离散傅里叶变换的幅值作为特征进行原车的识别;利用振动信号的奇异谱熵、功率谱熵、小波能谱熵和小波空间特征谱熵对空气弹簧失效、横向减振器失效和抗蛇行减振器失效进行故障识别;利用振动信号的奇异谱熵、功率谱熵、小波能谱熵和小波空间特征谱熵对空气弹簧失效进行故障定位。利用改进后的粒子群优化算法对支持向量机参数进行优化。结果表明分类结果的正确率较高,与已有的研究相比较正确率有较大提高。