近些年我国地铁行业发展迅速,全国各大城市均建起或在建自己的地铁线路网,极大地缓解了城市交通压力,为人们的出行提供了很大便利。但与便利性相比,地铁列车运行的安全性却要显得更为重要。作为列车的关键部件之一,轴箱轴承的良好运转与否直接影响列车的运行状况。针对以往的列车检修工作无法及时准确地检查出轴承故障的缺点,论文设计和开发一套故障诊断系统,能够实现对轴箱轴承故障及时、准确的诊断。首先介绍了滚动轴承故障诊断方法的相关研究和发展情况,根据滚动轴承故障诊断研究的内容确定了课题的研究内容与论文结构。之后介绍了轴箱轴承基本结构及其常见失效形式,在比较了常用的几种滚动轴承故障诊断技术手段之后,选择了振动分析方法作为论文主要研究方法。明确方法之后,介绍了滚动轴承运行中的振动机理,并阐述了故障特征频率的概念。然后研究了滚动轴承振动信号的去噪滤波。选择了基于小波包分解的去噪算法。在了解其理论的基础上,通过仿真信号测试和与传统切比雪夫低通滤波器的比较,突显了该算法的优势。之后通过对轴承故障数据进行去噪滤波,验证了该算法的有效性。下一步对滚动轴承振动信号故障特征提取进行了研究。主要介绍了时域参数分析方法和时频域分析方法。着重对时频分析方法中的经验模态分解(Empirical Mode Decomposition,EMD)及改进的集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法和噪声辅助多元经验模态分解(Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)方法进行了研究。对几种方法进行了理论介绍及比较,并通过对仿真信号的分解结果进行比较确定了噪声辅助多元经验模态分解方法的优势。其后,利用多元经验模态分解方法对轴承故障数据进行了分析,结果表明该算法能够有效地提取轴承故障特征。最后,在前面理论工作的基础之上,利用微软公司的开发平台Microsoft Visual Studio和Microsoft SQL Server,基于Visual C#语言设计和开发出一套以小波包去噪和噪声辅助多元经验模态分解为核心的地铁列车轴箱轴承故障诊断系统。