随着信息技术和故障自动化检测技术的发展,故障自动识别和报警已经应用在各个工业生产领域。对于国内高速发展的铁路事业,尤其是高速铁路,中国已经成为世界上高速铁路开通运营里程最长的国家。所以作为保障铁路安全高效运行的重要设备,轨道电路的安全可靠运行,显得尤为重要。如何能够快速有效的识别和诊断轨道电路故障成为保证铁路运行安全的重要因素之一。现阶段,国内大部分轨道电路故障诊断都是利用有经验的工作人员来进行人工识别从而达到报警目的,自动化程度相当低,工作效率也很有限。所以为了实现轨道电路故障诊断的自动化报警,本文提出两种诊断算法,第一种根据局部加权回归拟合原理,利用机器学习算法,通过算法仿真验证,实现了故障曲线直接曲线拟合来达到相似度识别的目的,优点是比较直观的就可以看出相似度,但是不足之处是每次只能进行两条曲线的识别,不能同时进行多条曲线的相似度识别,效率比较低,而且会出现一部分的误判。第二种算法借鉴了人脸识别中利用支持向量机算法来实现分类预测的能力,把该技术应用到了轨道电路故障曲线的自动分类识别和预测中,来实现轨道电路故障诊断自动报警的目的。此方法基于支持向量机故障曲线故障分类预测技术,以Matlab为主要实现手段,来探究该技术在轨道电路故障曲线识别中的可行性,将其分为三个主要步骤,分为轨道电路故障曲线的数据特征提取,曲线的特征值即奇异值分解计算,训练分类模型。首先实现正常曲线和故障曲线两种类型的分类预测,即支持向量机的优势二分类预测,然后结合投票算法机制最终实现多种故障曲线的多分类预测。研究了其中涉及的主要技术,并重点对曲线的特征提取和曲线分类器进行了细致的研究,最后也取得了较高的识别率。本文的创新点是:第一,采用提取故障曲线数值特征奇异值这一特征进行支持向量机的分类器训练;第二,采用最小二乘支持向量机对故障曲线特征值,即奇异值进行分类预测最终实现多种类型的轨道电路故障曲线的多种分类预测。最后本文在对故障曲线进行特征提取即奇异值分解的基础上,实现了对轨道电路故障曲线特征的数据集分类预测,在对比局部加权拟合算法的基础上,得出了支持向量机超高的分类预测能力,利用Matlab实验平台验证了基于最小二乘支持向量机的多种类型的轨道电路故障曲线分类预测,达到了较高的分类预测率,当然本研究还可以借鉴当今一些更加先进的技术和算法,比如大数据和智能数据分析等技术,来达到更好的分类预测故障的能力和更加详细的故障分布情况,对今后的铁路轨道电路安全运行提供更加可靠的保障。