随着高速列车的快速发展,高速列车安全性问题逐渐引起人们的重视。高速列车振动监测数据为分析列车服役性能提供了条件。然而,如何及时准确地从这些海量数据中挖掘故障特性进行故障诊断,是目前存在的难题。同样,现代雷达对抗面临着战场电磁环境日益复杂的问题。如何从各种复杂的、长期累积的侦察数据中提取出新的有效特征进行雷达辐射源信号分选识别也是难点。深度学习是近年来机器学习领域中的研究热点,深度信念网络(DBN)作为构造这种深层结构的先驱,具备强大的数据特征表达能力。因此,本文将DBN算法分别应用于高速列车故障诊断与雷达辐射源信号分选识别当中。首先本文深入分析深度信念网络算法(DBN),将DBN算法与Hadoop平台结合,构建了并行化DBN算法。并选取标准MNIST数据集进行实验,实验结果显示数字总体识别率达到98%,加速比提高到3,从而说明并行化DBN算法在识别结果准确率、并行化效率方面具有良好表现。然后分析高速列车正常和故障振动数据的时域、频域特性。利用信号的频谱系数初始化DBN的可见单元后,运用并行化DBN算法对高速列车振动数据进行深层特征提取并进行故障分类。实验结果表明,通过对较好通道的统计结果来看,列车故障辨识的识别率为96%,故障定位识别率为89%,且算法效率有一些提升。最后分析5种体制下的雷达辐射源信号五参数特征。利用信号的五参数特征初始化DBN的可见单元,将并行化DBN算法应用于雷达辐射源信号分选识别中,实现对雷达辐射源信号进行抽象特征提取及分类。实验结果表明,雷达辐射源信号平均分类正确率为94%,且分类速度有所提升。