近年来,高速铁路运营里程的快速增长和运行时速的迅速提高使得高速列车安全保障技术面临着巨大挑战。转向架作为车体的重要组成部分之一,其异常状态往往会体现在转向架和车体的异常振动上,由于该类机械部件在整个系统中所起的作用及其性能蜕化程度的不同,异常振动信号的体现方式也有所不同。循环神经网络(Recurrent Neural Networks,RNN)是一种可以根据时序数据提取其内部关联特征的网络。由于转向架振动数据是时序数据,所以利用RNN可以从本质上提取数据内部信息。长短时记忆网络(Long Short Term-Memory,LSTM)是RNN的一种升级网络,它可以对输入、保存和输出的数据量进行自由设定,通过连接先前的数据进行分析,提取当前数据的特征,以此来提升RNN的故障诊断效率。本文建立了基于LSTM网络的高速列车转向架振动信号故障诊断模型与性能参数蜕化拟合模型。具体内容如下:首先,对已有的高速列车转向架关键部件故障振动数据,搭建基于LSTM网络等多种神经网络的故障诊断模型。针对多种故障在恒定速度条件下进行多通道融合的故障诊断。其次,在原始振动数据固有的58个通道之外加入其他神经网络故障诊断所得结果作为新的通道,并以此作为新的数据进行故障诊断以提升模型的鲁棒性和诊断结果的置信度。随后,对已有的高速列车转向架关键部件参数蜕变数据,搭建基于LSTM网络等多种神经网络的拟合模型。针对参数蜕化工况下的振动信号分别进行单通道及多通道融合的拟合分析,并给出多种评价指标来分析实验结果。最后,对上述故障诊断及故障拟合的实验结果进行分析总结,对实验中遇到的困难与待改进点进行总结与展望。