本课题是通过研究列车通过时的钢轨裂纹噪声信号，运用信号处理算法和智能算法结合的方法，提取其中包含的噪声信号特征，建立能够真实反映钢轨裂纹噪声信号的数学模型，进而实现对钢轨健康状况的实时动态检测，从而提高我国列车运输安全的检测水平。在此背景下，本文主要完成了以下工作：　　构建了基于Labview的高性能采集实验平台。该平台以MEMS麦克风为基础，结合运算放大电路，以NI公司的USB-6210高性能数据采集卡为核心，在Labview环境下，可以完成复杂声音信号的采集和储存。　　针对基本遗传算法改进的小波包分解算法收敛速度低、容易早熟、故障诊断准确率不高等问题，提出了种群熵和种群方差理论对基本遗传算法中的交叉、变异算予进行改进，之后，选用最优保存策略优化选择算子。性能测试结果表明：该算法总收敛概率比基本遗传算法和自适应遗传算法分别高34.9%和9.5%，最优适应度的方差最小且所用时间最少。但该算法的收敛代数需要人为设定，因此提出多种群理论对此算法进一步优化，性能测试结果表明：二次改进算法的总收敛概率比基本遗传算法最多高51%，比初次改进的遗传算法最多高6%，并且稳定性更好，迭代次数更少，最大的不超过70代，没有停滞现象，同时不受固定迭代次数的限制。　　在实验室搭建了噪声采集系统，对不同尺寸的横向裂纹信号进行了采集；在对钢轨裂纹信号特征进行深入透彻分析的基础上，构建了同时考虑时域和频域信息的故障判据函数和代价函数，实现了信息的有效提取。　　对不同尺寸的横向裂纹信号进行在线故障诊断，考察了本文所提出的两种算法的诊断准确率，并与基本遗传算法的诊断结果对比分析。结果表明：当算法类型相同时，横向裂纹尺寸越大，平均检测准确率越高；当横向裂纹尺寸不变时，平均检测准确率按照基本遗传算法、初次改进算法、二次改进算法的顺序递增；二次改进算法的故障诊断准确率可达95.33%，与其他两种算法相比有明显提升，这说明二次改进算法更易检测出裂纹故障，具有更强的检测优势。