现代高速列车技术的发展很快,安全是铁路运输适应经济和社会发展的先决条件。开展高速列车安全预警与健康维护研究,杜绝或减少安全事故的发生,是我国高速铁路可持续健康发展的关键,已成为高速铁路发展的当务之急。对高速列车服役性态进行有效的监测与评估,则是高速列车安全预警与健康维护的重要手段。走行部是铁道机车车辆的主要组成部分,也是列车安全运行最为关键的组成部分,它的故障会严重影响列车的安全运行,转向架上传感器采集的列车振动监测信号能够反映其运行状态,因此,对高速列车振动信号进行特征分析显得尤为重要。高速列车振动复杂,监测数据包含内容丰富,涉及面广,数据的影响因素多,其振动信号是一类非线性非平稳信号。流形学习(Manifold Learning)是国际上机器学习领域的一种新方法,作为一种非线性降维方法,具有算法简单、适合非线性非平稳信号分析等优点。流形学习主要分为基于局部分析和基于全局分析两大方法,本文主要引入了两个代表性的方法局部嵌入法(LLE)和等距特征映射法(ISOMAP),通过仿真分析,得出基于全局分析的经典算法等距特征映射的优越性。ISOMAP通过计算数据集样本点的测地距离矩阵,再运用多维尺度分析法(MDS)进行降维,很好的保留了原有数据的内在几何结构。本文将运用这一方法对高速列车的仿真数据和试验监测数据进行特征分析。本文研究的高速列车故障主要包括三种典型故障：空簧失气、抗蛇行减振器失效和横向减振器失效。在仿真数据中还计算了两种故障同时发生的多故障工况和三种仿真模型参数渐变时的三种故障工况,分别对应空簧垂向刚度变化和抗蛇行减振器阻尼取值和二系横向阻尼取值变化变化。对于单一故障的流形二维特征还应用了合适的分类器对其进行分类识别。通过对仿真数据和试验监测数据进行的流形特征分析,实验结果看出垂向加速度中空簧失气特征表现明显,横向振动信号中横向减振器失效和抗蛇行减振器失效特征表现明显,从而验证了流形学习算法对于高速列车安全性态评估的可行性和有效性。本文研究来源于国家自然科学基金重点项目“基于监测数据的高速列车服役安全性态评估的关键问题研究”中的高速列车服役安全性态特征分析部分。