近年来,我国的高铁产业取得了突飞猛进的发展。2017年6月26日,我国自主研发的复兴号动车组CR400AF在京沪高铁正式双向首发,运行速度350km/h。这也是全球最高的商业运行速度。速度越快,我们所承担的安全风险就越大。列车车轴是列车车体结构中的重要的部件,也是轮对的核心部位。在列车运行过程中,车轴产生裂纹是一定会发生的,如果不能及时监测车轴的状态,一旦发生断裂,后果将不堪设想。因此,对列车车轴的状态进行实时监测是很有必要的。针对传统故障诊断中模型建立复杂,对故障特征进行特征提取的比较困难,本文将采用声发射技术和现在流行的深度学习算法开展车轴疲劳裂纹的检测研究,并针对非线性、非平稳的声发射信号的特点,提出了基于SDAE的车轴裂纹声发射信号分类识别的方法。深入探究了深度学习网络在车轴故障诊断中的可行性。将常用的振动信号时域信号数据作为深度神经网络的输入,利用SDAE强大的自主学习功能,对输入的训练集车轴裂纹、敲击、噪声三种信号进行无监督训练学习,自行提取信号的特征,然后对输入的测试集数据进行预测分类。通过对比实验,分析各个网络参数对网络性能的影响。比如网络层数、迭代次数、Batchsize、训练样本的比例等。经多次的运算和实验得出,该方法能够有效的对车轴声发射信号进行分类识别。