伴随着近几年我国高速铁路的飞速发展,列车的运行速度越来越快,列车运行的稳定性问题也日显现。因此,对列车运行状态进行安全监测,及时预测高速列车的运行状态是确保高速列车安全运行的关键因素。列车在运行过程中,机车轮对会绕着其轨道中心线做一边横移一边摇头的耦合运动,即为蛇行运动。现有的蛇行运动监测方法均通过监测某单一位置传感器的加速度来判断车辆是否出现蛇行失稳,仅能监测出列车发生剧烈的大幅蛇行异常。而且,车辆在高速运行时还易出现小幅蛇行运动。小幅蛇行可以分为小幅蛇行收敛和小幅蛇行发散两种运行状态,小幅蛇行收敛状态会慢慢收敛到正常运行状态,而小幅蛇行发散状态则会不断发散到大幅蛇行失稳,进而对列车的安全造成巨大威胁。现有的研究鲜有涉及到小幅蛇行演变的两种状态,因此迫切需要对小幅蛇行演变的两种状态进行特征提取,保障列车的运行安全。针对列车在高速运行中所产生的小幅蛇行状态识别问题,以多个位置的高速列车横向加速度信号为研究对象,采用多种非线性信号处理方法,对列车高速行径中的横向加速度信号进行特征提取,从而及时识别高速列车的运行状态。本文的主要工作有:(1)提出了一种基于平均经验模态分解、奇异值分解以及流形学习的高速列车小幅蛇行特征提取框架。考虑到高速列车运行背景复杂,采集到的横向加速度信号污染严重,因此先对源信号进行预处理。使用平均经验模态分解对处理过的数据进行特征提取,并考虑到因此产生的模态混叠以及白噪声残留,使用奇异值分解对得到的固有模态函数分量进行降噪,得到能量矩阵,使用流形学习对高维非线性数据进行状态聚类和进一步特征提取,最后使用最小二乘法支持向量机进行识别判定。实验证明了该方法能够将高速列车正常运行、小幅蛇行收敛、小幅蛇行发散、蛇行失稳四种状态特征有效分离。(2)针对现有方法无法快速识别高速列车小幅蛇行运动状态的问题,本文采用平均经验模态分解方法对预处理后的信号进行分解,将其结果转换为能量矩阵,然后对能量矩阵进行非平稳条件下的联合近似对角化处理,融合多个传感器的能量矩阵,得到融合后的高速列车小幅蛇行运行状态特征。通过将融合特征放入最小二乘法支持向量机进行训练和识别,验证了该方法能够快速且准确地将高速列车正常运行、小幅收敛、小幅发散和大幅蛇行四种运行状态分开,从而保障列车运行安全。