铁路机车轴承是铁路交通运输设备的关键部件,由于长时间、高负荷的运行,机车轴承很容易出现损伤。铁路机车许多故障与轴承存在或发生故障有关,轴承运行状态的好坏关系到整个机车优越性能的发挥。鉴于轴承在整个机车中的特殊地位,开展对铁路机车轴承的故障诊断研究具有很好的现实意义。本论文主要进行了基于小波包分析的信号处理和基于支持向量机的智能故障诊断两方面的研究工作。主要工作归纳如下：讨论和分析了机车轴承振动信号的振动特征以及故障发生的机理,在掌握故障信号特点的基础上,模拟轴承不同元件的故障信号,为机车轴承故障诊断的方法研究提供分析载体和依据。针对传统信号处理方法只适合对平稳、非时变信号进行处理,且不具有信号局部分析能力,利用小波包分析在信号去噪和突变点检测方面的优势,对故障信号进行小波包分解,从而发现故障信号不同频段的特征信息。为了从量的角度上分析轴承是否存在故障,考虑到计算的复杂性,采用选取故障特征明显的频段(而非对所有频段)进行统计分析的方法,结合频带能量分析技术,实现轴承外圈、内圈以及滚动体模拟故障信号特殊频段的特征向量提取。采用最小二乘支持向量机进行故障诊断不需要大量故障训练样本,且在高维数情况下具有很好的分类能力,但是最小二乘支持向量机参数(惩罚因子和径向基核函数)组合对诊断模型的分类正确率有较大影响,为提高模型的分类正确率,文中在对粒子群算法进行深入研究和大量的仿真实验的基础上,采用粒子群算法对影响模型分类能力的参数组合进行寻优。仿真实验表明,基于ARPSO粒子群最小二乘支持向量机诊断模型的分类能力有了显著的提高。将小波包分析得到的故障信号特征向量结合ARPSO粒子群最小二乘支持向量机诊断模型,实现了机车轴承故障的智能诊断,并取得了很好的效果。理论研究和仿真结果表明,小波包分析技术结合最小二乘支持向量机的诊断方法能够有效地对机车轴承故障进行检测、诊断。