高速铁路以其输送能力大、速度快、便捷、节能等优点,对我国的交通、运输、环境以及经济起着十分重要的作用。随着时代进步,高铁在解决城市间交通问题和乘客需求递增上扮演着举足轻重的角色,成为越来越多国人出行的首选交通方式,给社会带来了巨大的效益。因此,高速列车的安全稳定性也面临着更高标准的要求。现今的高速列车上建立了车载传感器网络,将传感器散布于多个关键部位上,采集温度、速度、应力等信息,全面监测车辆的运行状态。而轨道车辆走行部的异常状态可以通过温度异常、振动异常等物理量表现出来。本文则主要针对传感器采集的温度数据进行异常识别,从而掌握列车走行部中大小齿轮、电机等部件的工作状态,及早发现列车故障隐患,杜绝突发事故、中途停车事故的发生。基于列车传感器采集的温度数据特征,本文从点异常、模式异常和序列异常三个方面进行探讨,分别阐述其定义,提出检测方法,并进行实证分析,以此验证方法的合理有效性。在点异常识别中,本文从全局和局部两个角度出发,在对高速列车温度数据进行大量训练学习后,分别选取53H算法和LOF算法实现点异常检测。在模式异常识别中,关键步骤是序列分段和分段序列的相似性度量。本文在自顶向下算法和特殊点算法的基础上,提出一种新的基于重要点的线性分段算法,并根据分段序列长度不一的特殊性,选择动态时间弯曲距离进行相似性度量,结合异常指数判别,进而构建模式异常识别体系。在序列异常识别中,本文解决了序列相似性度量和序列异常判别两个问题。不仅介绍基于距离的相似性度量方法,给定异常指数判别方法,还定义势关联矩阵,以一种全新的方式刻画序列相似性,并给出异常判别阈值区间。