我国高速铁路技术在国家的大力支持以及科研人员深入研究下取得了飞速进展,列车实现了多次大提速。长期服役过程中,列车转向架关键部件会产生磨耗,从而导致部件性能产生不同程度的蜕化,这会严重影响运行系统的安全性和舒适度,所以对列车的性能状态估计对列车的安全预警与健康维护有重要作用。列车在高速运行过程中,分布在列车不同位置的传感器会监测到海量的实时数据,如何通过这些数据提取故障信息的特征,并对高速列车的健康运行进行估计是目前研究的主要工作,也是难点所在。根据高速列车信号分布的非高斯性,引入了泛化高斯模型对信号的分布进行拟合,并提出了几种新的特征提取方法,对影响高速列车安全运行的几个重要因素进行了分析,研究了三种关键的转向架减振器故障,减振器参数不同蜕化程度和减振器在不同位置处失效三个典型工况。(1)研究了Copula函数理论及其参数估计,对比了不同类型的Copula函数的特点以及不同参数估计方法的精度和计算效率,为下文进行Copula模型的选择和参数估计方法铺垫了理论基础。(2)研究了聚合经验模态分解(Ensemble Empirical Mode Decomposition, EEMD)的理论,提出了Copula函数与EEMD结合的特征提取方法。通过Copula函数构建EEMD变换所得的IMF分量的联合分布,并进行特征提取,弥补了传统只对分解得到的分量进行单独分析的不足。(3)研究了减振器在性能参数蜕化过程中的演变规律,提出了基于Copula函数的高速列车转向架减振器性能参数蜕化率估计方法。通过仿真实验数据对所提方法的有效性进行验证,得到了参数蜕化率估计值与蜕化率真实值之间的误差。(4)研究了通道间信号的相关关系,提出了基于Copula函数的高速列车转向架不同通道间信号的联合特征提取方法,并使用该方法分析了混合故障、同类部件不同位置单故障、不同类器件单故障三种情形。通过提取边缘分布参数、联合概率密度函数的均值和方差等组成特征向量,使用SVM实现了对故障的分类。