我国地铁的快速发展,大规模建设和投入运营,极大改善我国城市交通现状的同时,也给保障地铁安全带来了挑战。在地铁车辆的故障统计中,机械故障比例最高,而轴承故障在车辆机械故障中占有较高的比重。轴承故障不仅会影响地铁车辆的行车安全,还可能带来人员伤亡和经济损失,造成严重的社会影响,因此非常有必要研究轴承在途故障诊断系统。国内试制的轴承故障诊断系统虽然不少,但是由于系统本身缺陷,最终形成产品并安装到轨道交通车辆上在线监控轴承状态的并不多,安装到地铁列车上的诊断装备则更少,基于以上考虑,本文重点研究适合于地铁列车轴承在途故障诊断的方法与系统,主要完成了以下几方面的研究工作：1.提出了基于自适应傅里叶分解的轴承故障诊断方法。应用自适应傅里叶分解的方法处理轴承原始采集信号,将振动信号自适应分解为一系列单一分量信号,利用峭度值提取包含有故障信息的部分单一分量进行求和,然后对求和的信号做希尔伯特变换,进而做快速傅里叶变换,得到轴承信号的频谱,观察分析频谱图,诊断轴承故障。最后用实验数据验证了方法的有效性；2.提出了基于新的非线性动力学模型的轴承故障诊断方法。根据轴承的物理结构和受力分析,利用弹簧质量阻尼系统首先建立轴承单个滚子与内圈、外圈的接触模型,分析在径向载荷力作用下,内圈、外圈和单个滚子在其法线方向上的实时位移；然后结合随机力干扰技术,建立内圈、外圈和滚子的轴承系统非线性动力学模型,并用该模型计算出在综合力作用下无故障振动的位移和加速度信号。在非线性动力学模型内植入内圈、外圈单表面故障,计算故障情形下的振动位移和加速度信号。最后应用自适应傅里叶分解的方法提取轴承模型内圈、外圈故障仿真加速度信号频谱特征,并与轴承故障特征频率相对比,验证滚动轴承非线性动力学故障模型的有效性；3.提出了基于时频域特征参数融合的轴承故障在途诊断算法。分析了轴承时域特征参数和频域特征参数用于诊断轴承故障的优势和缺点,考虑到时域参数与轴承故障程度密切相关,频域参数可以准确地诊断轴承故障并分辨轴承的故障类型,提出了基于时频域特征融合的轴承故障在途诊断方法,新方法利用神经网络作为非线性分类器识别轴承的在途运行状态,不仅可以诊断轴承是否发生故障,还可以在一定程度上判断轴承的故障程度,同时保留了时域参数和频域参数的优势,最后通过实验数据验证了方法的有效性；4.结合广州地铁列车现有的监控设备以及基于时频域特征参数融合的故障诊断算法,设计了地铁列车轴承故障在途诊断系统,并通过试验台数据验证了系统算法的有效性与实时性。