随着国家现代化建设的不断进行与城市规模的不断扩大,城市轨道交通在国家各项政策的大力推动下快速发展。地铁作为城市轨道交通中重要的部分,以其舒适便捷、安全可靠、节能环保等优点已经成为人们日常出行的首先交通工具之一,与此同时,每日巨大的载客流量也给地铁车辆安全性提出了更高的要求。齿轮箱作为地铁车辆关键部件,其工作可靠性直接影响到地铁车辆的行车安全,又因为其工作环境较为恶劣,长时间的工作及频繁的起停,使之成为易于发生故障的部件之一,因此对其进行故障诊断显得尤为重要。本文首先分析了地铁车辆齿轮箱常见的故障及其产生机理,确定了以油液磨粒图像检测作为地铁车辆齿轮箱故障诊断的方法,然后对故障诊断系统的整体方案进行了设计,将故障诊断系统分为图像采集、图像处理及特征提取和故障诊断三部分。在图像采集部分,对相机和镜头等关键部件的性能参数及其影响进行了分析,并进行了关键部件的选型及采集系统的搭建,从而实现图像数据的采集。在图像处理及特征提取部分中研究了磨粒图像的处理方法及磨粒特征参数,然后分别制定了基于采集图片和监测视频的图像处理及特征提取的技术路线,并编写相应程序来实现需求。本文重点对故障诊断方法进行了研究,首先利用支持向量机（SVM）和预训练卷积神经网络（Pretrained CNN）对齿轮箱油液磨粒图像进行分类识别,对限制分类准确度的因素进行分析,SVM分类器对于输入特征的质量要求较高,而Pretrained CNN模型则未考虑训练集与测试集之间的联系,针对上述问题,本论文引入MAML（Model Agnostic Meta Learning）算法来对CNN模型的训练进行优化,并将磨粒分类问题设置为4-way k-shot问题。首先,采用轴承振动数据对MAML算法的可行性进行验证,将MAML算法应用到轴承故障诊断中,并在损失函数中加入了带惩罚系数的最大均值差异（MMD）损失,采用凯斯西储大学轴承振动数据与西安交通大学轴承全寿命数据进行训练与测试,测试结果表明在1shot的状态下,经MAML算法优化后的模型可将准确度提升44.9%,结合MMD损失的MAML算法优化后,分类准确度提升55.4%,在5shot的状态下准确度分别提高了30.3%,34.8%,由此说明了经MAML算法优化后的CNN模型对处理少样本数据时可有效提高准确度。将经MAML算法优化后的CNN模型应用于地铁车辆齿轮箱油液磨粒分类识别中,并对齿轮箱故障进行诊断。测试结果表明,对齿轮箱油液磨粒进行分类时,在1shot的状态下,故障识别的平均准确度为61.8%,相较于预训练方法提高了22.9%,在5shot的状态下,识别的平均准确度为82.1%,相较于预训练方法提高了13.1%。最后对地铁车辆齿轮箱故障诊断系统界面进行了编写。将图像处理及特征提取、故障诊断方法进行了整合,编写了故障诊断系统的人机交互界面。