轮对轴承是高速列车的重要部件,也是易于损坏的部件之一。轴承一旦出现早期故障,如果没有及时检测与处理,在长时间运行过程中,损伤不断扩大最后造成列车事故。所以轴承安全状态的评估与诊断对行车行驶是必要的。针对列车滚动轴承的状态监测和故障诊断,重点研究了轨边声学技术中存在的三大难点。频谱畸变、混合信号中微弱信息提取、强噪声背景下目标信号的有效降噪。将局域均值分解(LMD)、快速峭度图(FK)、谱峰度理论等四种非平稳信号处理方法,以及时变多信号分类优化T-MUSIC方法和角度插值重采样方法引入列车滚动轴承故障诊断中。对上述相关问题进行了理论分析和应用。为了解决频谱混叠问题,本文基于麦克风阵列信号校正,提出了基于优化时变多信号分类和多声源信号角度插值重采样的空间校正方法。该方法通过优化时变多重信号分类(T-MUSIC)得到不同声源的实时位置,同时通过声源起始时间点与麦克风阵列的接收时间点的关系得到重新采样时间序列,从而实现信号校正。与传统方法相比,该方法无需过多参数,计算机效益高、用于多声源分离校正等优点,它在实际信号处理与故障诊断中具备很大的潜力。轨边声学信号经多普勒畸变校正后,具有故障信息弱、噪声强、非平稳等特点。在此基础上,提出了一种改进的复合插值包络局部均值分解(ICIE LMD)与快速峭度图(FK)相结合的列车轮对滚动轴承组合插值包络局部均值分解方法。局部平均分解(LMD)是将多分量信号分解为乘积函数(PF)单分量信号。对局部均值函数和包络函数的构造方法,会影响单分量的精度。本文提出了一种选择非平稳系数的简单方法ICIE LMD,该方法适用于信号的不同部分,具有精度高、计算量小的优点。FK对脉冲信号敏感,但易受非高斯噪声的影响。该方法首先使用ICIE LMD将信号分解为若干PF分量。计算PF的峭度指数,得到包含故障信息最多的分量。然后,利用FK对所选对象进行过滤。利用包络谱的平方得到故障频率,并对故障位置进行识别。仿真信号证明ICIE LMD对分量精度的改善。将该方法应用于轨道旁麦克风信号的检测,能够有效地诊断故障。