近几年,国内轨道交通得到快速的发展,近五年在轨道交通的投资完成额每年都在8000亿以上,截止2019年,国内铁路等营业里程达到13.9万公里,全国城市轨道交通里程数为5737公里,未来预计在70个城市规划超过2.8万公里的轨道交通线路。道岔转辙机作为轨道交通的“方向盘”,对转辙机等轨道设备需求也在不断增加,面对如此巨大的铁路系统,为了保证轨道交通运输的安全和效率,这时就更加需要相对完备,自动化和智能化的监测诊断系统。以往对道岔转辙机的维护,维修以及监管都是靠工程技术人员对观测的数据进行分析,从而判断设备所处的工作状态,但是依靠人工的知识和经验进行判断不仅诊断评估周期长,而且非常容易出现漏判或者误判等情况。本文在对国内外相关转辙机故障诊断方法以及其他信号识别研究的基础上进行分析,针对目前转辙机故障诊断方法的非智能化手段的情况下,结合功率信号特征提取和神经网络等技术,进行了故障诊断方法的研究。首先通过分析转辙机的工作过程,提出了基于道岔信号形状特征的神经网络故障诊断方法,通过研究工作状态,工作过程以及功率曲线之间的内在关系,提出了关于转辙机工作物理过程和功率信号形状特征映射理论。通过特征提取,建立功率曲线形状特征集并计算特征向量,通过神经网络对特征向量进行建模,最终完成对待检信号进行识别和诊断。在对某实验平台中采集的数据样本进行了训练和测试,再对现场的样本数据进行实景测试,测试结果正确率在98%和93%以上,均达到了工程应用的效果,通过实验验证了该方法的具有一定有效性和实用性。其次针对“手动”特征提取诊断方法的不稳定性等问题,利用卷积神经网相关的特性,从“自动”特征提取和诊断的角度出发,研究了基于道岔特征图的卷积神经网络故障诊断方法。通过多尺度分析,将一维功率信号变换为二维特征图,通过多通道卷积神经网络的信息特征建模和分类识别的能力,构建不同时间尺度下特征图的卷积神经网络故障诊断模型。通过实验和证明,将故障诊断测试集正确率提高到了99.50%和97.50%,在一定程度上克服了“手动”特征诊断方法的不稳定性等问题,验证了该方法的可行性。相对于“手动”特征故障诊断提升了诊断性能。