近年来,随着我国高速铁路的蓬勃发展,列车的速度不断提升,这对列车安全运行提出了更高的要求。齿轮箱是高速列车传动系统的核心部件,一旦出现故障,将直接对列车运行安全造成威胁,因此对齿轮箱进行故障诊断尤为重要。齿轮箱振动信号包含着绝大部分齿轮箱中元件的故障信息,但由于其在高速列车中运行环境的复杂与恶劣,使其振动信号成分十分复杂。研究如何将齿轮箱振动信号进行有效的分离、分解,实现全面的齿轮箱复合故障诊断,防止误诊、漏诊情况出现是本文的重点。可调品质因子小波变换(Tunable Q-Factor Wavelet Transform,TQWT)能灵活地选择小波基以匹配不同振荡特征的信号,同时其备平移不变性,因此能较好地处理因轴承故障与齿轮断齿、剥落等故障产生的以周期性冲击为主的故障信号。针对TQWT分解参数选择与分解分量评价问题,本文提出了能同时度量信号冲击强度与周期性的IK指标,并在此的基础上,提出了基于IK的自适应TQWT方法。该方法依据信号特点自适应地搜索最佳参数对信号进行分解,并根据分量挑选规则对含有丰富冲击特征的分量进行挑选、重构以提取信号中的故障特征,实现故障诊断。通过对仿真信号的处理与应用实例,验证了该方法对含冲击类故障特征信号处理的有效性与优势。在TQWT的基础上,Selesnick提出了共振稀疏分解,其能够根据信号的共振属性,将信号中的冲击成分、谐波成分进行有效地非线性分离,很好地降低信号各成分之间的相互干扰、影响。针对共振稀疏分解方法的分解效果取决于参数选择的问题,本文引入一种全局搜索优化算法——差分进化算法,并对其进行改进,将改进差分进化算法与共振稀疏分解进行结合,提出自适应共振稀疏分解方法。该方法以低共振分量的IK指标最大为优化目标以获取最佳分解参数,并使信号获得最佳分解效果。通过对仿真信号的分析处理与应用实例对该方法的信号非线性分离有效性进行了验证。对齿轮箱复合故障情况进行分析之后,本文将复合故障信号分为两种类型,并针对此,在考虑自适应共振稀疏分解方法与自适应TQWT方法各自的优点的基础上,将两者进行结合提出联合算法流程,并应用于齿轮箱复合故障仿真信号与高速列车齿轮箱跟踪试验的齿轮箱复合故障实测信号中,该方法在诊断出齿轮故障的同时,能挖掘出被掩藏的轴承故障信息,实现轴承的故障诊断。因此本文所提方法能够对高速列车齿轮箱复合故障进行有效地诊断,避免误诊、漏诊情况的出现。