轨道车辆的状态监测数据通常是符合期望行为的海量正常样本,由于其真实故障样本采样代价高昂或采样过程非常困难,使得对异常行为所知甚少,甚至一无所知。异常样本缺失决定了轨道车辆异常检测无法按照常规方式进行,因此故障数据缺失下的异常检测是轨道车辆安全与可靠性保障面临的难点问题之一。特征提取和检测模型建立是面向轨道车辆传动系统异常检测中的两个关键技术。特征提取旨在获取能够有效反映检测对象运行状态的敏感特征,检测模型建立则是利用敏感特征对正常数据的分布进行描述,以上两方面相辅相成共同决定了异常检测方法的性能。本文针对面向轨道车辆传动系统异常检测方法的关键技术开展研究,主要创新与工作如下：(1)针对筛分过程出现的过筛分和欠筛分问题,提出了局部均值分解的自适应筛分停止准则。该准则根据乘积函数的理论定义,考虑局部均值(幅值)函数的估计误差,构建关于筛分次数的目标函数,从而实现最优筛分次数的自适应选择。实验结果表明,该准则能够避免筛分停止准则人为设定阈值的不足,有效抑制了过筛分和欠筛分问题,提高了局部均值分解的效率和准确性。(2)针对乘积函数中存在虚假分量的问题,提出了基于递归排序的虚假分量识别方法。该方法利用K-L散度评价各乘积函数与原始信号之间的相似程度,通过递归排序获取各乘积函数的综合K-L散度值,实现虚假分量和敏感分量的识别。实验结果表明,该方法避免了仅将各乘积函数与原始信号相比较的片面性,能够更为客观合理地评价各乘积函数与原始信号成分的相似性,提高了虚假分量识别的准确率。(3)针对模型建立过程中出现的过拟合和欠拟合问题,提出了基于核矩阵统计量的支持向量数据描述参数选择方法。该方法通过分析核矩阵元素的分散性与支持向量数据描述模型拟合程度的内在联系,利用核矩阵统计量构造表征模型拟合程度的目标函数,进而实现支持向量数据描述的参数选择。实验结果表明,该方法避免传统参数选择中的模型迭代训练过程,大幅提高了参数选择过程的计算效率,改善了支持向量数据描述模型的过拟合和欠拟合问题。(4)以滚动轴承为对象,参考轨道车辆的实际运行参数,正常工况和异常工况进行实验设计与数据采集。通过本文所提出的基于自适应筛分停止准则的局部均值分解与基于递归排序的虚假分量识别方法实现特征提取,建立正常样本的支持向量数据描述模型,并采用基于核矩阵统计量的参数选择方法对该模型进行优化。实验结果表明,本文提出的方法在故障数据缺失的情况下能够准确识别包括内圈故障、滚动体故障和外圈故障的异常状态。