高速列车轴承是列车转向架上的重要部件,其承受着复杂的激励和多变的工况。轴承温度,作为衡量轴承状况的状态量之一,现有方法通过设定阈值判别能够避免轴承故障威胁到火车安全性。因此,对于运行中轴承的温度进行预测和监测,建立一个实时的轴承温度模型,并辅设预警决策,可以有效地提升轴承运行安全并提早诊断发现故障。但针对铁路所采集的轴承状态监测大数据呈现多维特性,并缺少典型的轴承故障类型数据,难以提前对轴承等关键部件进行故障预警,对其进行的研究也少有探究各个轴承之间、关键部件之间、各轴之间状态监测数据存在的线性、非线性耦合关系。为此,本论文开展相关研究,主要研究工作如下:（1）提出了一种基于复杂相关性的高速列车轴承温度预测方法。首先分析列车履历数据,使用Pearson相关系数分析从而引入高线性相关的关联轴承,将低线性相关特征的数据和关联轴承数据输入Light GBM模型,对影响轴承温度的特征进行再次筛选后降维,使模型可以学习到更有价值的特征;其次,基于深度神经网络模型双向门控循环单元建立轴承温度预测模型,通过大量正常轴承的履历数据来训练预测模型;最后进行方法验证。在多个预测的关键参数上进行对比验证得到结论,采用短时预测策略、关联测点进行预测的方式,能够最有效地提高模型的精度和稳定性。（2）提出了一种基于多任务学习的高速列车轴承温度异常检测方法。首先把正常工况下的关联轴承温度作为模型输入构建轴承温度预测模型,当实际温度异常时预测值与实际值关联性呈现异常变化。其次,引入多头注意力机制,所构建的模型能够同时对一轴上的轴箱、齿轮箱、电机三类共九个轴承温度进行同时预测。最后建立孤立森林模型,结果证明孤立森林模型具有同时对多个轴承同时进行异常检测的能力。（3）提出了一种基于置信区间的高速列车轴承温度异常检测方法。结合不确定性的思想,将随机不确定性、认知不确定性、以及混合不确定性等三类不确定性思想添加到模型中,将点预测模型转换为概率预测模型,求得温度的分布概率,通过概率计算的方式直观辅助模型进行轴承温度异常检测。进行实验验证表明,概率预测模型能够实现端对端的直接检测,消除了模型构建后再收集预测值与实际值残差进行二次建模的精度耗损,达到更高置信度。（4）开发了一套高速列车轴承温度异常检测与预警系统。该系统集成了上述研究成果,可基于高速列车状态检测参数进行轴承异常检测与预警。系统应用实例表明,该系统达到了预期的设计功能。