我国铁路运输规模庞大,因而列车常于复杂环境穿行,加之车辆运营速度不断提升,使得列车轴承的服役条件愈加恶劣。一旦轴承结构状态退化,可能为行车安全埋下巨大隐患,导致脱轨、侧翻等事故发生,因此,对轴承的服役状态进行监测,诊断其早期故障并提前预警是规避重大风险的有效手段。本文以高速列车轴箱轴承故障诊断为主要研究内容,依托离散熵算法提取轴承振动信号的关键特征,并以此为基础结合特征评估及各类机器学习算法构建智能诊断模型,以期识别不同轴承故障状态保障列车安全运行,具有实际意义。文中主要完成了以下工作:（1）完整阐述了实现滚动轴承故障诊断所需的实验及算法,详细解构了多尺度离散熵的计算原理和步骤,相较于样本熵、模糊熵等算法,离散熵对短时间序列的处理能力更优,计算效率更高,同时也优化了排列熵存在的诸多不足,具有良好的特征提取能力。之后利用m RMR算法进行特征重构,并引入WELM、LSSVM、Fk-NN和PNN等算法进行识别分类,最终完成轴箱轴承智能诊断模型的构建。（2）为有效抓取滚动轴承故障信号中的周期性冲击特征,在传统离散熵的基础上引入浮动离散熵算法。该方法更偏重信号幅值的连续性变化,因此其熵值所含波动特征更多,能够更为准确地刻画轴承的退化状态。同时,针对传统多尺度熵算法随尺度因数增大而熵值波动加剧的不足,将浮动离散熵与优化粗粒化过程相结合,组成优化多尺度浮动离散熵。之后,利用电机轴承和轴箱轴承信号检验了所提算法的适用性,相较于多尺度离散熵取得了更为优异的诊断结果。（3）为进一步提升离散熵的特征提取效果,本文提出了权重离散熵算法。该方法主要考虑离散熵缺失模型本质信息的问题,通过计算不同模型的离散度为各类模型赋予权重值,模型结构越复杂则权重越高,反之则越低。最后通过权重概率和权重系数对熵值进行校正,达到降低熵值误差、增强特征刻画能力的目的。结合改进粗粒化过程组成改进多尺度权重离散熵,并对所提算法的性能进行分析以确定最优参数。最后,利用两类轴承实验数据进行验证,结果表明改进多尺度权重离散熵能准确表征轴承不同损伤类型及损伤程度的运行状态,达到了预期的识别效果。