近年来,随着我国经济的快速发展,交通方面也取得了非常巨大的进步。地铁作为一种城市的交通工具,在为人们的出行带来方便的同时也带来了巨大的经济效益。在地铁带来各方面效益的同时,它运行的安全也应该受到人们的重视。轴承作为机械设备当中非常重要的部件,它的工作状态影响着整个设备的运行,它的好坏直接决定着地铁运行的安全与否,因此对于轴承工作状态的监测十分有必要。本文针对轴承的运行状态以及常见的故障形式,提出了一种基于深度学习的故障诊断算法,并研发了一套轴承故障诊断系统,在试验台运用来源不同的轴承运行数据对提出的诊断算法进行了实验测试。本文在对轴承故障诊断系统的国内外研究现状进行分析的基础上,对地铁车辆走行部轴承的常见故障形式进行概括性分析,包括疲劳剥落、磨损、断裂和塑性变形等,同时梳理了常见的轴承故障诊断方法。为了应对传统轴承故障诊断方法的不足,本文提出了基于深度学习与离散小波变换的故障特征提取及故障诊断方法,并运用西储大学轴承实验室数据库轴承运行数据与广州13号线003004车实测数据进行算法验证;最后,对系统的故障分析模块进行了硬件设计,从采集系统硬件设计、传感器选型以及采集系统软件设计三个方面分析了数据采集系统的设计,并对故障诊断系统TCMS的交互进行了优化设计,优化分别从软件、硬件、电缆三个方面进行优化,在搭建的硬件平台上对本文提出的DWT+CNN故障诊断方法进行在线诊断验证。通过对系统仿真与实验平台测试发现,本次研究所设计的基于深度学习的故障诊断系统能够很好地对轴承的状态和故障进行很好的输出与判断,从而可以运用到实际当中保证地铁车辆在运行过程中的安全,尽最大的可能提升地铁在运行过程中的安全性。