齿轮箱是城轨车辆运行的关键部件之一,其运行状态决定了列车行驶的平稳性和安全性,在日常运营中,齿轮箱往往会产生多种故障类型,包括断齿、齿面磨损、齿面剥落等故障,但由于城轨车辆走行部部件之间相互干扰众多、行驶工况多变且工作环境复杂多样等因素,造成齿轮箱信号故障成分极易被其他频率和噪音干扰,导致齿轮箱故障难以被及时发现,一些传统的时域、频域方法难以准确明显的提取出故障特征。因此,在城轨车辆运营维护压力日益增加的今天,开发适用于地铁实车齿轮箱故障诊断的算法变得尤为重要,对提升列车运行安全、降低维护成本有着重要意义。针对城轨列车齿轮箱的各类故障类型,分别利用仿真信号、齿面剥落故障的试验台信号和某地铁线路的线路实测信号验证了本文所提方法,该复合算法有效抑制了实际运行过程中的轮轨冲击噪声,并最终提取了相应故障特征,证实了本文算法在实际工程中的有效性。以下为本文所提算法及相应实验的描述。（1）构建了齿轮箱动力学方程,阐明了齿轮箱各故障类型的振动机理以及对应的时频故障特征。并在齿轮箱模拟试验台采集了健康与剥落故障齿轮箱在牵引工况、惰性工况和制动工况下的振动加速度数据,进行了初步的时频域特征分析。（2）针对在地铁实测齿轮箱数据中分布着大量由轮对与轨缝碰撞带来的高幅值冲击的问题,提出了一种自适应时域信号预处理方法,该方法利用样条插值法对原信号进行包络处理,提取出实测信号的轮轨冲击成分,实现对整段实车匀速行驶时的齿轮箱故障信号的自适应分割,使包含轨缝冲击的长时非稳态信号被分割为多个短时稳态的小样本信号,实现高幅值冲击噪声的去除,之后利用实验数据进行了验证,该方法可以有效抑制轮轨冲击成分并突出齿轮箱故障特征。（3）提出了一种改进的非线性模式分解方法来处理仿真信号和齿轮箱齿面剥离故障信号,利用GMP脊线提取方法代替传统算法,该脊线提取方法能够从全局角度进行脊线提取,有效提高了提取精度。该算法在仿真数据和实验数据进行了验证,结果表明该方法能够有效分离出非平稳信号中的时变信号分量并去除噪声。（4）对北京地铁某线路进行了实车数据采集,结合第三、四章的方法对其数据进行综合处理分析。该复合方法能够有效抑制原信号中大量的轮轨冲击成分,将原信号分割成若干个稳态小样本信号,并且能够根据钢轨参数、轮对周长等数据反推计算出列车时速。最终在此基础上对多个小样本信号进行改进的非线性模态分解处理,并对重构信号进行分析,结果表明该复合诊断方法能够提取出齿面磨损和剥落的故障特征,验证了该方法在实际工程中的实用性。