近年来国家给予轨道交通事业大力支持,这使得我国的铁路机车也有了长足的发展。而列车车轴作为转向架的核心部件,它的安全一直是列车安全的重中之重。能够有效且及时的检测车轴存在的故障具有重大意义。然而,传统的故障信号处理方法通常对非线性和非平稳的信号处理能力较弱。并且在处理大量数据方面也有一定的不足。所以本文提出一种局部均值分解(LMD)和堆叠降噪自动编码器(SDAE)相结合的故障信号分类识别方法。通过列车车轴疲劳裂纹声发射实验收集到三类故障信号,分别为车轴疲劳裂纹信号、背景噪声信号和车轴敲击信号。首先使用LMD将收集到的三类故障信号分解,通过能量占比选取前三个PF分量计算十四种特征值,然后将特征值输入到SDAE中训练网络模型,并利用训练好的网络模型对机车车轴三类故障信号进行分类识别,然后利用测试集数据对网络模型性能进行检测,网络模型有较高的分类识别准确率。通过验证集数据对网络模型的泛化能力进行验证。该方法相较于深度置信网络(DBN)、极限学习机(ELM)识别方法识别率提高7%左右。相较于单一SDAE方法能够大大缩短训练和测试时间。利用车轴疲劳裂纹声发射信号原始数据设置滑动窗口将数据分组,将分组的数据分成训练集和测试集,训练集用于训练稀疏自动编码器(SAE)预测网络模型,测试集数据用来评价预测网络模型的性能。将SAE预测网络模型与堆叠稀疏自动编码器(SSAE)预测网络模型做比较,结论表明SAE预测模型能够对疲劳裂纹声发射信号波形较为准确的预测。