高速、重载是我国轨道交通车辆发展的大趋势,因此如何实现列车的健康状态在线检测问题也成为了广大铁路工作者与科研机构研究的热点问题。车轴是列车走行部的主要零件之一,工作环境极其复杂,其可靠性和寿命会影响整辆车的运行安全。因此,对车轴的故障检测识别与剩余寿命预测具有非常重要的研究价值。本文以车轴疲劳裂纹声发射实验中采集到的疲劳裂纹信号为研究对象,首先为了从噪声、敲击干扰信号中识别出裂纹信号,提出了小波变换与深度信念网络结合的办法。本文首先将声发射实验获得的三类信号进行分组,选用的基小波为适用于机械故障信号分析的Morlet小波,对三类分组信号进行连续小波变换,获得每组信号的变换后小波系数,接着对小波系数提取六种时域特征及两种时频域特征,构成特征向量矩阵,输入DBN识别网络,同时,本文还将相同的数据输入进一种传统的识别网络(MLP神经网络)中,与DBN识别网络相比较,结果表明DBN识别网络相较于传统神经网络具有更明显的识别性能优势,识别准确率更高,更加稳定且计算成本更低。然后为实现对车轴的剩余寿命预测,本文提出了一种DBNnn网络预测方法。在预测过程中本文主要探究了不同输入层、隐藏层节点数、迭代次数与训练集、测试集样本数量对数据重构、网络预测误差及网络计算时间的影响。接着为探究DBN网络在本文提出的DBNnn网络预测方法中的作用,本文将相同的数据输入进去除DBN网络的nn预测网络中,与DBNnn网络的预测结果相比较,结果表明加入DBN网络的预测网络数据重构误差更小,网络输出的预测结果更加准确,预测误差更小、网络的稳定性更好。