随着高速列车运行速度不断提高,列车在长期服役过程中的安全性态将发生变化,对列车安全预警与健康维护带来极大的挑战。列车在运行过程中通过传感器监测到大量的振动数据,如何从跟踪监测数据中识别出列车运行状态,进行安全性态评估显得至关重要。而监测的振动数据多是非线性和非平稳信号,小波分析具有良好的时频局部化优点,在信号特征分析中应用广泛。因此,本文基于小波分析对高速列车监测数据进行特征分析,研究列车正常状态、空簧失气、抗蛇行减振器全拆和横向减振器全拆四种工况。本文首先简单介绍了监测数据的来源以及它们之间的关系,然后从时域和频域出发对高速列车不同工况下的监测数据进行了初步的分析,经分析,它们都是低频振动信号,其振动频率主要集中在0-20Hz,最后通过对数据的小波包络谱分析得到了三种故障工况的振动的特征频率,并统计出了具有特征频率的通道号,为后续研究中通道的选择提供一定的依据。在小波变换的基础上,采用小波包变换对信号频带进行更加细致的划分,根据小波包特征熵的定义,提取了监测数据的小波包特征熵特征。该方法将列车单一故障工况的振动信号经过小波包分解在不同的频带,再求得各频带的小波包特征熵特征向量,把它们输入到支持向量机进行状态识别,验证了特征提取的有效性,并给出了各种工况下不同通道的识别率。利用小波包分解和自回归谱相结合的方法,提取高速列车单一工况振动信号的小波包自回归谱频带能量特征。该方法将振动信号经小波包变换分解到不同频带,然后建立各频带信号的自回归谱模型求取它们的自回归谱参数,最后求取它们的频带能量作为支持向量机的特征向量进行状态识别,并给出了单一工况和混合故障下不同通道的识别率。