在高速重载铁路货车快速发展的背景下,铁路货车零部件可靠性备受关注。闸瓦作为基础制动装置中的关键部件,其状态对列车运行有着很大影响。当前判断闸瓦状态的主要方式是现场检修,严重的浪费人力和物力。随着轨边传感设备的发展,与闸瓦磨耗状态相关的监测数据被广泛采集,通过对在线监测系统中监测数据的利用,建立闸瓦磨耗状态和状态监测数据之间的联系,对闸瓦的状态进行监测预警十分有必要。本文以铁路货车闸瓦为研究对象,开展基于车轮温升的闸瓦磨耗状态识别的相关研究。首先定义了闸瓦的磨耗状态,并提取了反映磨耗状态的检修信息。在闸瓦磨耗状态划分阶段,考虑到不同聚类算法特点和适用性各不相同的情况,使用了基于加权共协关系矩阵的聚类集成算法对闸瓦磨耗状态进行划分。利用K-Means、层次聚类等不同的聚类方法对闸瓦磨耗数据进行聚类,生成基聚类;使用信息熵对基聚类中每个簇的稳定性进行衡量,使用集成驱动聚类指数作为评估簇不稳定性的指标;利用每个簇的集成驱动聚类指数计算加权共协关系矩阵;最终使用层次聚类算法得到闸瓦最终的状态划分结果。其次,本文提出使用自适应综合过采样法（ADASYN）和卷积神经网络（CNN）的联合方法进行闸瓦磨耗状态识别。首先使用ADASYN对不平衡的数据集进行处理。使用处理后的数据训练卷积神经网络,获取闸瓦的状态识别模型,对闸瓦状态识别模型进行测试,验证模型的有效性。使用未平衡的数据训练卷积神经网络,经过与未平衡的数据的分析对比,验证了ADASYN算法的有效性。使用平衡后的数据训练朴素贝叶斯、K-最邻近算法、逻辑回归、决策树、支持向量机等分类算法,将结果与ADASYN-CNN方法对比,ADASYN-CNN有着更高的准确率。最后,将训练好的闸瓦状态识别模型进行迁移,使用不同样本的数据集进行测试,实现闸瓦状态识别模型对于不同样本的状态识别。迁移后的模型在不同样本数据集上均有着较高的准确率,结果表明了基于模型迁移方法进行闸瓦状态识别的可行性。本研究验证了基于车轮温升这一间接状态监测数据对闸瓦磨耗状态识别技术路线的可行性,建立闸瓦状态和状态监测数据之间的联系,对闸瓦的状态进行监测预警。