牵引电机和轴承作为列车走行部的关键部件,保障其正常运转对行车安全和乘客安全具有重要意义,现阶段对轴承的故障诊断往往是对其传感器采集到的加速度信号这种直接信号进行研究,实际上轴承的故障会在设备间的相互作用中传递给相邻设备,进而在相邻设备的监测信号中体现出来,这里我们称这类监测信号为间接信号。间接信号作为直接信号的辅助信号可实现诊断精度的提高,同时在直接信号采集中断或异常时作为主要的诊断手段,对其进行分析研究具有重要意义。本文以永磁同步电机驱动的轴承为研究对象,针对间接信号时频域特征不明显以及轴承损伤程度难以鉴别等问题,提出了适用于直接和间接信号数据的降维降噪、特征提取、损伤分类以及损伤程度鉴别算法。本文主要完成了以下工作:（1）基于信号时频特征的间接信号选取。构建高阶影响程度分析和因子矩阵匹配模型,从振动、电流、扭矩、径向力信号中甄别出电流和扭矩两类间接信号。（2）间接信号的降维降噪处理算法。针对常规低阶时频分析方法对间接信号适用性不好的问题,提出基于T-HOSVD（Truncated Higher-Order Singular Value Decomposition）和L-曲线的三阶信号处理模型。n-模矩阵化信号的三阶张量模型,对各矩阵截断奇异值分解,利用L-曲线进行截断参数的求取,在保留特征的情况下完成降噪,以每个截断后的左奇异矩阵构成新的核张量,最后对张量进行重构。借助功率谱分析去噪性能,找出故障特征频率在间接信号中的映射。（3）间接信号的特征提取。针对间接信号时频特征不明显的问题,提出了一种基于张量T-QR-HOOI的特征提取方法。原始信号的三阶张量模型经T-QR分解得到特征张量和特征值张量,特征张量作为初始解经过HOOI（High-order orthogonal iteration）分解可以得到能表征信号全局特征的核心张量,向量化作为初始特征向量,经过距离和误差权重的双重筛选,最终的特征向量可作为分类机的输入进行故障诊断,多个机器学习分类机模型进行验证,证明了间接信号可以实现对轴承损伤类型的准确辨识。（4）基于间接信号的轴承损伤程度评估算法。针对间接信号对损伤程度鉴别不稳定的问题,提出了一种双模CNN（Convolutional Neural Networks）算法,时频图的2D输入端和特征向量的1D端进行独立卷积池化特征提取,在汇聚层进行特征融合以进行诊断分类,实验表明,对间接信号作为模型的输入可以实现对轴承损伤类型和损伤程度的准确诊断和评估。