道岔是铁路信号系统安全高效运行的重要保证,对铁路运输的安全与效率有重大的影响。目前我国铁路系统主要采用对道岔进行周期性地检修和天窗点维修的方法来保证道岔系统的安全性。这样的故障分析和故障定位方法存在很多问题,比如效率低、工作量大、无法保证及时性和准确性等。本文针对上述的问题,本文的主要研究内容如下:第一,因为道岔动作电流的变化趋势可以反映道岔当前运行状态,所以本文以当前我国高速铁路提速道岔区段使用的S700K型道岔为研究对象,提出了一种基于CEEMD(Complete Ensemble Empirical Mode Decomposition)的道岔故障特征提取方法,其中应用了粗糙集属性约简、信息熵和自适应法确定参数等知识理论,然后用多维度分析法在二维空间展示故障特征提取结果,分析故障特征提取的有效性,最后搭建卷积神经网络模型进行故障诊断,实验结果证明了这种故障诊断方法的可行性。第二,将深度学习和卷神经网络应用到道岔故障诊断研究中,针对道岔动作电流数据与传统深度残差网络输入数据形式不同的问题,调整残差学习模块内部结构,设计基于深度残差网络结构的道岔故障方法。为了提高系统的性能,进行网络参数优化,选取最合适的激活函数,并通过实验证明了对于道岔故障诊断这一问题,深度残差网络相对于浅层残差网络和全连接神经网络故障诊断效果更好。