在高铁车辆的组成系统中,车轴无疑是列车走行部关键的组成部分之一,它是承载车辆动载荷的关键部件,由于其自身因素或恶劣的工作环境,其运转时往往伴随摩擦、腐蚀、循环应力等因素干扰,这会导致车轴出现疲劳裂纹、表面损伤,甚至疲劳断裂等故障,继而引起事故的发生。为此,能对车轴的故障实时在线检测诊断,对保证列车安全平稳的运行及对保障旅客的人身财产安全具有重大意义。本文对车轴在工作时受到垂直载荷作用产生的疲劳裂纹的识别研究分为两个部分。首先为了模拟车轴真实的运行状态,在声发射车轴疲劳裂纹实验中,对实验车轴进行敲击来模拟轮轨的冲击载荷,同时引入强大的背景噪声来模拟列车高速运行中的气动噪声。并对实验获取的信号数据进行了时域分析,选取十二种统计参量对信号进行计算,提取出各类信号的特征值。然后对于车轴疲劳裂纹信号的识别,本文引入人工神经网络中的BP神经网络和深度学习理论中的深度信念网络。BP神经网络强大的非线性映射能力和自学习、自适应能力在故障诊断领域已经得到了广泛的应用;而深度信念网络作为新型的机器学习智能网络,其特质就是可以实现多隐藏层的训练计算,多隐藏层可以更自主地、更深层次地挖掘数据的特征,使得运行结果的精准度更高。本文运用这两种方法分别建立起针对于车轴疲劳裂纹识别的网络模型,对实验获取的车轴疲劳裂纹信号进行分类识别的对比分析研究。通过实验结果表明,与BP神经网络相比构建的深度信念网络对声发射实验得到的车轴裂纹信号的分类识别效果更显著,对车轴裂纹检测的智能化程度更高。