随着中国轨道交通运输业的飞速发展,高速列车由于其速度、舒适性、安全性、大承载能力和低能耗的优点而获得了快速地发展,现已成为人类交通的主要组成部分。车轴是列车运行的重要组成部分,承载着来自车体和轨道的载荷,车轴在运行中会产生疲劳裂纹,随着疲劳裂纹的加深车轴会发生瞬时断裂的情况,要求车轴在规定的运行工况下必须保证足够的安全性、可靠性和使用寿命,因此能够准确的诊断和预测疲劳裂纹对列车的安全运行有着至关重要的作用。在背景噪声和车轴受到敲击的情况下如何快速且准确的识别出车轴的疲劳裂纹是一个巨大的挑战。首先采集车轴的声发射信号,通过时域分析法和频域分析法提取声发射信号的时域和频域特征,提取的特征能够准确地表达车轴故障的内在信息。本文提出了一种基于深度置信网络(Deep Belief Network,DBN)的车轴故障诊断模型,实验结果表明DBN网络的故障诊断准确率要比传统的浅层网络高。然后对于DBN网络训练时间长和准确率不高的问题,加入了主成分分析(Principal Component Analysis,PCA)对原始故障特征集进行降维处理,以消除数据之间的关联性和复杂度,选取PCA处理后贡献率达到90%以上的主成分,获得低维故障数据集,然后通过建立DBN模型进行故障诊断,结果表明PCA与DBN相结合的故障诊断方案具有较高的故障诊断准确率。最后对于车轴疲劳裂纹的声发射信号发展趋势进行DBN预测,分别通过单步预测和多步预测进行预测研究,结果表明DBN在时间预测方面具有良好的性能。针对DBN网络隐藏层节点数人工设置复杂的问题,本文加入了粒子群算法(Particle Swarm Optimization,PSO)进行隐藏层节点数优化,实验结果表明经过PSO优化隐藏层节点数的DBN网络具有良好的故障诊断准确率和预测精度。