城市轨道车辆作为支撑城市居民正常出行的工具,需要其体现快速、高效和便捷的优点。城轨车辆在运行过程中齿轮箱作为不可或缺的一部分,需要时刻保证其正常运转,故在车辆运行过程中需要对滚动轴承进行实时的状态监测。本文选择城轨车辆的齿轮箱滚动轴承为研究对象,对其在运行过程中故障的有效信息采集、特征提取、建立故障诊断模型、传感器信息融合展开研究。通过搭建硬件数据采集系统,采集到的数据通过集合经验模态分解的方法进行故障特征提取,然后利用遗传算法对支持向量机进行优化从而进行故障识别。主要工作内容如下:（1）首先分析了城轨车辆齿轮箱振动机理以及滚动轴承故障成因,在此基础上搭建滚动轴承数据采集在线监测平台,采集城轨车辆在运行途中滚动轴承的振动和温度信号,并分析了监测系统的需求,完成了硬件电路的设计和芯片的选型,对各模块进行了测试,能够在齿轮箱滚动轴承运转过程中准确实时采集状态信息。（2）针对城轨车辆运营途中的多种状况,在对故障信号提取的过程中存在噪声等各种干扰,在故障诊断前通过小波包分析方法对运行故障信号进行了消噪处理,并且做了横向的降噪对比效果,验证了小波包降噪的消噪优点。（3）振动信号分解采用集合经验模态分解的方法,集合经验模态分解在分解过程中也可以对噪声进行有效的消除,还可以将信号分解成不同的IMF分量,将信号能量嫡引入,构建综合评价指标来筛选IMF。（4）在信号分析的基础上,用遗传算法对支持向量机的参数进行优化,建立了遗传算法优化支持向量机的模型,对齿轮箱故障信号进行诊断,准确率为98.44%;并且在滚动轴承故障诊断中加入了轴温的升高时的故障分析,来比较全面的识别轴承故障,这种故障识别方法高于传统的支持向量机对故障的识别。