随着科学技术和工业自动化水平的不断发展,列车运行速度也得到了一定的提升。道岔转辙机作为控制列车运行方向的核心设备,对其故障的精确和快速诊断是保障列车运行安全的重要基础。目前,铁路运维主要利用微机监测系统对道岔设备进行故障监测,系统报警往往对应了多种不同的故障模型,实际的排查仍是通过现场工人的天窗检测。为了保证设备的安全性,现场无法在转辙机内部安装传感器设备,这需要电务、工务工人不断进行信息交流,当需要检测的设备增多时,其带来的时间损耗也会增加。除此之外,转辙机运行过程在时间上具有连续性,而其不同故障的发生时的时间特性往往也不同。声音信号的采集具有无接触式测量的特点,可为现场设备的检测提供非常便利的条件。本文以ZDJ9转辙机为研究对象,利用其运行过程中的声音信息进行故障的检测。使用一种混合式方法对声音进行特征提取,并结合类脑智能的思想,建立能够体现时间特征的脉冲神经网络模型作为故障分类器。主要的研究工作如下:（1）针对声音的特征提取,提出一种将经验模态分解和小波包分解相结合,并加入能量熵的特征提取方法,该方法可以很好解决传统时频分解方法中存在的问题,在支持向量机下可达到91%的平均故障诊断准确度。（2）针对现有脉冲编码方式的不足,提出了一种基于时延频率的编码方式,将基于时间的时延编码与基于频率的泊松编码相结合,将声音信息的时间特性蕴含在脉冲序列中,并有效解决了时延编码随机噪声的影响,保证了脉冲对神经元的持续刺激。（3）建立能够体现道岔故障时间特性的脉冲神经网络模型,并加入竞争规则和动态点火机制,增加神经元间的竞争关系并保证其不会一直处于主导地位。通过局部无监督学习规则,来使网络进行自主学习,并与传统神经网络进行对比,在相同的网络层数下,所建立的脉冲神经网络模型的故障诊断效果优于传统神经网络,其平均故障诊断准确率分别为79%与64.3%。（4）针对所建立的模型的权值联结问题,提出一种基于脉冲刺激的细胞凋亡机制。其通过统计脉冲序列的数目计算神经元重要程度,判断其是否符合故障的显著性特征,降低权值联结的影响,最终故障诊断的平均准确度提升到87.6%。图42幅,表14个,参考文献81篇。