我国高速铁路事业快速发展,列车的行车安全问题不容忽视。转向架是高速列车的重要部分,其关键部件的状态直接决定着列车运行的平稳性。目前对于转向架关键部件故障诊断的研究主要集中在故障特征提取和分析,没有从系统级的角度对转向架故障进行研究。本文以转向架二系悬挂系统为研究对象,从多分类器设计和多通道融合决策两个方面对高速列车转向架故障诊断方法进行研究。根据车体的几何对称结构,选择了不同位置的空气弹簧、横向减振器和抗蛇行减振器7种单故障工况。首先,采用 EEMD(集合经验模态分解,Ensemble Empirical Mode Decomposition)方法对车体上的6个通道的动态监测信号进行分解。然后,利用相关系数法选取了3个IMF(本征模态函数,Intrinsic Mode Function)分量。最后,根据选取的IMF分量提取了近似熵和模糊熵两种特征,每个样本共有6维信息熵特征。为了对7种工况以单通道方式进行诊断,开展了多分类器的研究。在基本K-means算法的基础上提出基于核方法的K-means聚类方法,构建多层次分类模型,采用二叉决策树结构进行存储和自上而下的方式进行决策,基分类器选择核函数为RBF(径向基函数,Radial Basis Function)的SVM。然后引入入侵杂草算法对SVM的参数进行优化,并将其与改进的粒子群优化算法进行对比。实验结果表明:与基本的K-means算法相比,基于核方法的K-means算法构建的层次结构更加平衡,且故障诊断识别率较高;由入侵杂草算法优化的SVM组成的多分类器的识别率比改进的粒子群算法优化的提高了约2%。针对单通道无法进行全面的信息表达、故障诊断精度不高的问题,开展了多通道融合决策的故障诊断方法研究。首先,利用多层次分类器的故障诊断结果获得各个通道的证据、可靠性因子和重要性权重。然后,利用证据推理规则方法,在决策级上对多个通道的诊断结果进行融合。实验结果表明:采用证据推理规则的多通道融合决策方法在单通道故障诊断的基础上,识别率进一步提高了约3%。