随着我国的高速列车技术的飞速发展,列车运行速度快速增加。但列车的高速运行使得机械零部件的工作环境变得更为恶劣,而滚动轴承作为高速列车的关键承载零部件,其在列车高速运行引发的复杂动力学载荷作用下性能恶化较快,一旦失效将造成严重的安全隐患,甚至引发重大安全事故,造成人员伤亡与财产损失。因此对高速列车滚动轴承故障进行高要求高质量的监测是十分重要的。由于滚动轴承的激振源较多且具有强噪声干扰,导致故障特征微弱,传统的单一机器学习模型与LSTM模型滚动轴承故障诊断方法存在下列问题:(1)单一机器学习模型诊断精度难以提升,(2)LSTM模型数据需求较大且可解释性较差。针对这两种方法所存在的问题,本文从算法的角度提出了两种新的方法,期望提高轴承的诊断精度,进而避免事故的发生。本文的主要研究内容如下:1.阐述了滚动轴承故障诊断研究的背景和意义,对国内外滚动轴承故障诊断的研究现状进行了调研,重点考察了滚动轴承故障诊断所使用的方法,并分析了现有方法的不足,在此基础上提出了解决现有问题的思路。2.以CEEMDAN方法为基础,详细分析了CEEMDAN方法的原理,针对传统CEEMDAN存在的包络曲线过冲欠冲问题以及参数选取问题,提出了保形修正的三次样条插值与基于极值点分布的参数选取标准。根据CEEMDAN的算法原理修正了信号的极值点分布,防止计算过程产生的误差。通过仿真信号与试验信号验证了改进CEEMDAN方法的有效性,相比于传统CEEMDAN显著提升了算法的效率与精度,可有效提取滚动轴承的故障特征。3.针对单一机器学习模型诊断精度难以提升的问题,提出了一种基于改进CEEMDAN、Stacking以及连续投票原则的多融合模型。利用改进CEEMDAN构建优化的特征输入;利用Stacking模型整合单一模型的差异性;同时连续投票原则防止局部扰动导致的误判。通过轴承试验数据进行了验证,结果表明本文提出的多融合模型相比于单一模型具有较强的鲁棒性与较高的精确率。4.针对传统LSTM模型需要大量数据且可解释性较差的问题,建立了一个新的故障诊断网络模型。利用由改进CEEMDAN与傅里叶变换构建了特征矩阵,增加样本量,减弱噪声影响;同时利用BI-LSTM与LR的构建了新的网络结构,增强了模型的特征提取能力与可解释性。试验数据结果表明该方法在小样本中表现要优于传统的LSTM方法。本文所提出的两种方法在滚动轴承故障诊断中具有很好的效果,能在工程应用中发挥相应的作用。