道岔作为铁路系统中的关键部件,在列车平稳安全运行中起到至关重要的作用。保证道岔的安全运行,采取智能化手段对道岔状态进行检测与评估,是铁路智能化发展趋势,也是强化铁路安全管理、实现运营安全风险可控的重要手段。考虑到现实情况中道岔多阶段运行机理迥异、故障样本缺失、样本不平衡、多故障并发、故障特征相似等问题,本文基于对道岔动作原理及运行曲线的深入分析,突破道岔异常状态检测、状态评估及故障辨识难题,形成了基于自适应曲线分段的道岔健康智能诊断与评估体系,实现了高效、准确的道岔智能故障检测与健康状态评估。具体研究内容如下:（1）针对道岔多阶段运行特性下电功率曲线自适应分段特征提取困难的问题,本文提出了基于自适应曲线分段和m RMR的道岔特征向量构建方法。首先,深入分析典型电动道岔的运行机理,基于道岔功率曲线特点,提出了不同滑动窗口内斜率和变异系数等曲线分段指标;在此基础上,对电功率曲线进行自适应分割提取,将曲线按照运行机理的异同自适应的划分为启动、解锁、转换、锁闭四个阶段;再次,将时域分析与最大相关最小冗余（m RMR）算法相结合,分别提取各阶段的有效健康特征,实现了自适应曲线分段下的m RMR特征选择优化;最后,通过对比试验,验证了所提出的自适应分段特征提取方法的有效性。（2）针对故障样本缺失情况下道岔故障快速检测的问题,本文在分段m RMR特征构建基础上,提出了基于核对齐混合核函数SVDD（KASVDD）的道岔异常检测模型。该方法借鉴异常检测理念框架,只使用正常样本进行模型生成,即可实现对道岔未知故障的快速高效检测。此外,本文还从核函数优化的角度对SVDD模型进行改进优化。本文提出了一种新型混合核函数,用以替代传统SVDD中的单一核函数,从而能够更全面的实现数据分布结构高维映射还原,使模型边界更有效的描绘出数据本质特征;与此同时,混合核函数还避免了核参数选择的难题,避免了传统算法对专家经验的依赖。在混合核函数的构建中,本文还引入了核对齐技术,以此来计算各基础核函数的权重,通过线性组合的方式得到全新的混合核函数,从而构建出对训练数据自洽的混合核函数SVDD模型。最后,以召回率和特异性的调和F1分数为评价指标,对所提出的道岔异常检测模型进行算法验证,与单一核函数最优结果相比,本方法在避免核函数选取难题的同时,能够达到甚至超越最优核参数时的模型性能,验证了本方法在道岔异常检测应用的有效性。（3）针对样本不平衡及并发故障情况下的道岔故障诊断问题,本文提出了基于代价敏感与固定输入极限学习机（cf-ELM）的道岔并发故障诊断模型。首先,本文为了有效克服ELM模型性能不稳定性,提出了一种输入权重及偏置约束方程,通过约束方程的定义,集成建立带边界的输入权重和偏置矩阵,得到了更加稳定高效的输入映射,全面优化了ELM网络结构;其次,本文还将故障严重程度和样本类型比例嵌入到模型代价计算规则中,提出了一种代价敏感优化的方法以解决样本不平衡问题;在此基础上,以道岔常见的并发多故障诊断难题为目标,建立分阶段的分级故障诊断模型,实现了道岔的并发故障诊断。最后,通过对比实验,验证了该算法在道岔单故障和并发故障诊断中都表现出很好的稳定性和优越的诊断准确性。（4）针对道岔健康状态非线性退化的快速度量问题,本文提出了基于非线性动态时间规整算法（NLDTW）的道岔健康评估模型。首先,本文借鉴于流形学习的理念,引入非线性距离度量,突破了传统DTW只能进行数据点线性度量的局限性,全面改进优化了DTW对非线性趋势的刻画能力,更好的描述出道岔不同健康状态下的非线性差异;其次,考虑道岔的健康状态渐进演化规律,本文提出了一种基于改进tanh的新型健康度量函数,使其对道岔的早期退化更加敏感,从而实现了非线性距离度量到健康度的映射刻画;最后,通过与不分段和传统DTW方法的对比试验,验证了本方法在评估道岔健康状态和识别各阶段早期退化方面的优越性。