转辙机控制着列车的前进方向,是直接关系列车安全的关键设备。当转辙机出现故障时,以最快的速度检测出故障类型并对故障进行修复具有重要意义。随着铁路控制系统信息化的推进,越来越多的设备状态数据正在被收集起来。本文主要研究利用深度学习方法对转辙机状态数据进行分类,从而判断转辙机是否有故障以及故障类型。转辙机有几种典型的故障模式,在这些故障模式下,转辙机一次完整动作过程中的输出功率的变化情况具有不同的特点。传统的转辙机故障智能诊断方法使用人工设计的特征,存在特征构造成本高,特征设计不充分等问题。本文使用自编码器和卷积神经网络两种深度学习模型来自动提取特征并分类,并对两种模型的分类精度进行了比较。对基于栈式自编码器和BP神经网络组合的故障分类方法,通过实验分析了原始功率采样数据以及不同维度编码数据在BP神经网络中的分类性能,发现数据维度越低分类精度就越低。对基于卷积神经网络的分类方法,将转辙机的功率采样数据绘制成曲线图作为卷积神经网络的输入数据。分别从卷积层数、卷积步长、卷积核数量等方面设计了CNN₃₁,CNN₄₁,CNN₅₁,CNN₃₂四种不同结构的卷积神经网络。通过实验对比,CNN₅₁网络的分类性能最优,并且明显优于自编码器与BP神经网络的组合分类方法。更进一步地,通过集成卷积神经网络来提高分类准确性和稳定性,比较了不同结构卷积神经网络的集成和相同结构不同数量卷积神经网络的集成,发现集成学习具有“长板效应”或“次长板效应”,并且对多个CNN₅₁网络进行集成的效果最好。最后,基于卷积神经网络CNN₅₁的集成学习,实现了一个简单易用的转辙机故障诊断系统。