在高速列车状态识别中,由于产生故障的原因具有复杂性和多样性,单一种类的特征往往不能全面表征列车运行状态,易造成错误判决。因此,常在状态识别时提取数据的多种类型的特征进行特征融合。融合特征能更准确、更全面地描述列车运行状态,提高状态识别率。本文研究基于特征融合的高速列车状态识别问题,从基于特征选择的融合方法、基于特征变换的融合方法和基于特征选择与特征变换相结合的串行融合方法三个方面对特征融合技术进行实验分析讨论。在基于特征选择的特征融合方面,根据利用的特征评估准则的个数,特征评估方法可分为单一准则的特征评估方法和多准则的特征评估方法。本文利用RelietF准则、相关性准则和类间可分性准则这三种单一准则评估方法分别对同一种类的特征以及山多种特征组成的特征集进行评估,发现单一准则评估方法对同种特征评估效果较好,对由多种特征组成的特征集的评估效果并不理想。针对此问题,本文利用基于线性组合的多准则评估方法对由多种特征构成的特征集进行了评估。实验结果表明,利用多准则评估方法对特征集进行特征融合后的融合特征的识别率比单一准则评估方法的要高。但是,由于基于线性组合的多准则评估方法需要多次实验来确定单一准则评估方法的权重,效率不高。本文提出一种基于频数的非参数多准则特征评估方法,与现有的基于线性组合的多准则特征评估方法进行了分析比较。分析结果表明,基于频数的非参数多准则特征评估方法无需通过多次实验设置合适的参数即可获得较高的识别率,节省了实验时间,提高了实验效率。在基于特征变换的特征融合方面,研究了基于2DPCA(二维主成分分析)的特征变换技术,重点分析研究2DPCA技术中所需要的特征矩阵构造方法。传统的特征矩阵构造方法是在不同维数的特征向量后补0来构造特征矩阵,该方法在各特征向量维数相近的情况下效果很好,在各特征向量维数相差较大时效果并不理想。本文提出了种新的特征矩阵构造方法：基于SVD(奇异值分解)的特征矩阵构造方法。该方法是将所有特征向量首尾相接组合成一维特征向量,利用SVD的分解特性,在保持特征信号相位不变的情况下将一维综合特征向量分解成特征矩阵,然后进行2DPCA的特征变换处理,根据变换后获得的融合特征进行分类识别。研究结果表明,本文的特征矩阵构造方法避免了在各个特征向量后大量补0的缺点,融合特征在各特征向量维数相差较大或较小的情况下都具有较高的识别率。在上述研究的基础上,本文利用特征选择和特征变换方法依次对采集到的列车振动数据进行串行处理获得融合特征,研究分析了串行融合过程中特征选择和特征变换方法的确定对融合特征识别效果的影响。实验结果表明,在特征选择方法和特征变换方法都是基于降维的类型时,由于两种方法对特征矩阵进行了连续两次的降维处理,使融合特征的维数大大降低,减小了计算量。但是,山于对特征进行了过多的同种方法处理,导致信息的丢失,融合特征并不能获得好的识别率。