中国铁路的迅速发展,构成了一个庞大的铁路运输网,转辙机作为铁路信号三大基础设备之一,对于铁路的安全运输有着极其重要的作用。由于转辙机工作在户外,使用场景复杂,具有动作频率高、故障率高的问题。目前已有微机监测系统可实时监测转辙机设备的状态,但对于转辙机的维修还是以人工为主,存在效率低、成本高、漏诊和误诊概率较大的问题,学术界对此也进行了大量的研究来提高转辙机的诊断效率。然而在实际的生产运输中,转辙机的故障类型众多,并且故障数据不易获取。由于数据的限制,很多诊断方法受到约束,效果不佳。本文针对以上问题,开展了转辙机故障数据增强和基于深度学习的转辙机智能诊断研究,具体研究内容如下:(1)通过对生成对抗网络的网络结构和目标函数两方面进行优化,提出一种基于AC＿WGAN的ZDJ9型转辙机故障数据增强模型;使用多个评估指标对网络参数进行优化;通过与其他生成网络及传统生成方法对比,结果表明AC＿WGAN生成模型生成的样本质量更高、性能更优,解决了转辙机现场监测故障数据不足的问题。(2)通过实验从准确率、损失值、ROC曲线及混淆矩阵多方面对比卷积网络及循环网络的诊断效果,将单一模型结合,并将残差思想应用到循环网络,提出了一种基于RESNET-Res BIGRU混合残差模型的转辙机故障诊断方法,实验结果表明该模型有较高的诊断准确率,可为转辙机的故障诊断提供一定的指导意义。