在高速铁路蓬勃发展的今天,作为其主要构成之一——信号系统愈发受到关注。道岔系统的正常、稳定、高效的工作则是保证信号系统安全的重要前提。自我国铁路行业建设运营以来,无论是纯粹的人工检修或者是现如今的微机监测结合个人经验完成检修,对于道岔系统的维检修工作主力依旧是现场工作人员通过人工观察、综合个人经验来完成。该方法容易受到工作人员现场经验、知识水平等因素的影响,导致结果出现滞后、错判、漏判等情况,并且可能导致过维修或欠维修的现象,这与当前铁路行业的快速发展提出的高安全性和运营稳定性的要求并不符合。本文针对此类情况,借助故障预测与健康管理（Prognostic and Health Management,PHM）体系的知识,提出使用曲线相似度对设备状态进行评估,预测可能出现的故障类型,使用多次信息融合的方法对处于故障阈值以下的设备进行故障诊断,并将二者的结果进行对比,输出最终的判决结果。主要研究内容如下:首先分析当前研究现状,整理归纳领域内的主流研究成果,分析现有研究的优势特点以及不足,并对道岔的设备构成情况及工作机理通过图例进行说明,将其一次动作过程分为三个阶段,分别标注为T0,T1,T2,为后文继续处理打下基础;结合南宁电务段微机监测调阅室所统计的2016-2019年的调阅信息以及设备台帐记录,总结出出现频率较高的故障类型,并分析导致其出现的因素,建立故障库。其次针对健康状态评估需要高实时性、长期监控等特点,而现有方法需要大量数据且较难获取的情况,提出通过相似度对设备状态完成评估及故障预测。利用第2章的常见道岔故障类型作为本文的故障曲线库,选择道岔微机监测生成的电流及功率曲线作为研究对象,使用快速鲁棒性特征算法（Speeded-Up Robust Features,SURF）算法完成预提取,提高计算实时性;并通过Hausdorff距离得到目标曲线和正常状态样本的相似度,定义相应的健康值;对于已经故障的设备,计算与故障库样本曲线的相似度,相似度最高的样本库内曲线对应的故障即为其可能出现的故障类型,并将此步作为整个系统的纠错机制与第4章方法进行比较。通过实例分析对该方法进行验证。然后对处于故障判断阈值以下的设备提出一种通过三域信息多层融合的道岔系统故障诊断模型。首先针对道岔功率曲线提取其时域,值域以及小波域特征信息,然后使用核主成分分析法（Kernel Principal Component Analysis,KPCA）降维;将降维后的特征值输入到深度置信网络（Deep neural network,DBN）、核极限学习机（Extreme Learning Machine with Kernel,K-ELM）、自组织映射神经网络（Self-organizing feature Map,SOM）模型中,进行第一次信息融合,得出初步诊断的结果;将三种智能方法的判决结论作为证据理论的基本概率赋值（Basic Probability Assignment,BPA）完成第二次信息融合,并将结果与第3章的预测结果进行对比,输出最终的故障判决,通过现场实际数据的验证,证明了本文方法的有效性。最后通过编写本文所述两个模型的实际软件程序,并在现场进行测试。软件包括:系统界面、数据采集、故障库、故障预测及诊断、故障类型增加、设备台帐展示、历史健康状态调阅等。通过Bently软件搭建其三维场景模型,并通过轻量化引擎实现模型与数据的实时关联,完成整个系统和站场的可视化监测。