滚动轴承是铁路货运列车上普遍使用的零部件之一,也是最脆弱、最易受到损伤的机械元件之一。在货运列车的安全事故中,很大比例的故障都是由滚动轴承引起的。因此,本文采用小波包分解和BP神经网络对基于声音信号的货运列车滚动轴承故障诊断进行研究。主要内容如下：论文对滚动轴承的主要故障形式、成因和轴承声音信号的结构及统计特性进行了分析。以七种状态的轴承声音信号为研究对象,针对传统的时频分析只能识别轴承是否有故障而不能有效地提取出轴承的故障特征和故障定位的缺点,提出采用小波包分解进行特征提取的方法。采用Daubechies小波基对声信号进行多尺度的小波包分解与重构,并对重构信号进行小波包络谱分析,提取了可以很好将故障反映出来并能通过模式识别进行归类的K因子参数,从而对轴承故障进行识别定位。研究了BP神经网络以及改进的神经网络算法,对轴承故障进行识别和分类。采用小波包分析处理后的样本数据对网络进行训练和测试,将K因子参数作为神经网络的输入信号,进行状态识别。仿真结果表明,采用小波包分解将声信号分解到不同的频带进行故障特征提取,能有效地突出故障特征；采用基于K因子的BP神经网络进行滚动轴承故障诊断,能准确有效的识别故障,提高故障诊断的有效性和准确性。