近年来,随着我国高速铁路快速发展,铁路信号设备逐年增多,传统的基于经验的、周期性的维修方式逐渐暴露出一些缺陷,“维修过剩”以及“维修不足”的问题成为影响铁路安全运行的重要因素。如何实现“周期修”、“故障修”到“状态修”的转变,怎样对信号设备的状态进行及时准确地评估成为了保障铁路安全高效运行一项重要措施。道岔作为基础的信号设备,其重要性不言而喻。S700K型转辙机作为道岔的室外执行装置,工作环境复杂,故障约占道岔所有故障的70%,如果它出现安全隐患或者故障没有被及时维修,将会导致十分严重的后果。针对上述问题,本文将S700K转辙机的状态分为故障和退化状态,根据两种状态的特点展开针对性的研究。开展的主要工作有:（1）分析并总结了S700K转辙机常见的故障模式和机理,确定研究对象是道岔各状态所对应的功率曲线。（2）对于故障数据,由于现场故障样本较少,而传统的特征提取方式对于小样本数据来说,不能很好地复现数据中的特征。针对这个特点,本文采用了一种基于深度置信网络的方法来提取故障的深层次抽象特征,同时考虑到隐含层神经元个数对特征提取的效果影响较大,人为设定神经元的个数难以发挥网络的最佳性能,故采用粒子群算法对网络的每层神经元个数在指定的范围内进行优化,以获得网络的最佳堆叠结构,最后使用极限学习机对故障进行分类识别,弥补了网络特征提取过程耗时较长的问题,完成对道岔故障的诊断。（3）在设备的正常运行过程中,大多数故障并不是突发的故障,而是由正常状态随着设备的老化逐渐退化成故障状态的。对于这种故障来说,其中间状态与故障状态之间必然存在某种联系。为了找出这些在正常运行过程中产生的大量退化数据与正常及故障状态之间的联系,本文利用聚类算法对退化数据进行了聚类,同时为了保证聚类的效果,首先对这些数据进行了时域特征提取,然后利用皮尔逊相关系数建立退化状态与正常及故障状态之间的相似关联,依此来定义道岔退化的程度并标定训练数据,同时在此基础上建立了预警机制和维修保养建议,为下一步的退化状态预测做准备。（4）依据上一步中构建的状态关联,采用卷积神经网络自动提取数据的特征,考虑到原始数据具有一定的时序特征,针对这个特点,本文选用了在处理时间序列方面具有一定优势的门控循环单元代替网络中的全连接层对各个状态进行预测,借助其独特的门结构,最终取得了比较好的效果。综上,本文通过分析两种状态的特点有针对性地采用了不同的模型完成对故障及退化状态的诊断和预测,进而实现对道岔状态的评估,为进一步实现铁路“故障修”到“状态修”模式的转变、提高铁路运行的效率提供了一定的借鉴意义。