高速列车在长期服役过程中,其安全性态将发生变化,利用传感器监测到海量的列车振动数据,这些振动数据蕴含着大量的列车状态信息,能够反映列车的运行状态。如何有效利用这些长期跟踪获得的监测数据,进而提取出能够表征高速列车运行状态的特征参数,对高速列车运行状态进行反演和识别具有重要意义。因此,针对高速列车,本文提出基于分形与奇异谱分析的高速列车安全状态识别方法,提取出能够反映列车状态信息的特征参数,来实现高速列车安全状态的识别。主要完成了以下研究工作：1.分析了容量维数、信息维数、关联维数、Hausdorff维数四种比较常见的分形维数特征的提取,比较分析了分形维数特征对列车各种故障的敏感程度以及稳定性程度,结果表明分形维数可以表征高速列车的故障状态,并具有一定的稳定性。2.根据多重分形理论,分析了高速列车振动信号具有多重分形特性,提取了广义维数谱参数、质量指数谱参数、多重分形奇异谱参数特征,构成高维特征矢量,最后采用支持向量机实现高速列车正常、空气弹簧失效、横向减振器失效、抗蛇行减振器失效、空气弹簧失效+横向减振器失效、空气弹簧失效+抗蛇行减振器失效、横向减振器失效+抗蛇行减振器失效七种工况的状态识别。3.为了更好的凸显高速列车振动信号的分形特性,根据多重分形去趋势波动分析(MF-DFA)理论,分析了高速列车振动信号的多重分形特性,提取了广义Hurst指数谱参数、质量指数谱参数、多重分形奇异谱参数特征,构成高维特征矢量。分别通过Relief算法、马氏距离、Fisher匕率三种准则对原始特征集合进行排序,对三种特征排序结果进行加权平均获得融合的特征选择结果,并选取最优特征子集输入支持向量机进行状态识别。实验结果表明,基于MF-DFA方法的高速列车安全状态识别方法比多重分形方法更加有效。4.为了准确定位高速列车异常振动发生点,根据奇异谱分析理论,提出了奇异谱修正准则来选择有用信号的个数,并用这些有用信号来重构空间。对高速列车车体和构架部位的实际监测数据以及列车关键部件失效的仿真数据进行了实验,结果表明,奇异谱分析能够准确检测出高速列车异常振动发生点。本文的研究内容是国家自然科学基金重点项目《监测数据的高速列车服役安全性态评估的关键问题研究》的重要组成部分。