我国高速铁路事业也如火如荼地进行着,为经济发展提供了举足轻重的作用。我国幅员辽阔,运营环境千差万别。近年,随着高速铁路运营里程的增加,高速列车的关键受力零部件处在越来越恶劣的服役环境。齿轮箱轴承作为高速列车的扭矩转换装置,将高转速低扭矩的电机输入转换为低转速高扭矩的输出。齿轮箱轴承在运行过程中受到轮轨冲击、加减速牵引力和各种瞬态冲击等,面对如此复杂的环境,必须时刻监测轴承状态。一旦轴承失效,会导致邻近的零部件性能衰减,甚至发生列车事故。目前,高速列车的运行监测数据海量增长。基于信号处理进行特征提取,然后利用分类器进行诊断的传统智能诊断技术不能及时处理海量数据,而且必须依靠经验丰富的专家,诊断时间长并且通用性差。针对此问题,本文以高速列车齿轮箱轴承为研究对象,提出了一种感受野提升的卷积神经网络轴承故障诊断算法,该算法可以自动提取高速列车齿轮箱轴承的高噪声振动信号的特征以及故障识别。本文具体工作如下:首先,针对高噪声下的齿轮箱轴承信号特点,提出了适应高速列车齿轮箱轴承故障诊断的卷积神经网络,其主要特征是适配了最后池化层神经元的感受野,且具有堆叠结构的卷积核。其次,为了进一步优化模型,包括减少模型的时间复杂度和空间复杂度,采用全局平均池化层代替卷积神经网络中的全连接层,在降低模型计算量的同时,降低模型参数数量和过拟合的风险;进一步优化超参数,平衡网络的计算量与诊断精度。结果表明:采用全局平均池化层可有效降低模型计算量,提高模型在低信噪比条件下的诊断精度,并且可显著提升模型的抗噪诊断能力;改进后的模型可以实现噪声环境下准确、快速和稳定的故障诊断,其时间复杂度和空间复杂度大大降低。最后,为了验证本文网络模型对实测故障轴承的诊断能力,进行了高速列车齿轮箱轴承故障试验并采集振动信号数据。通过试验,得出本文提出的模型收敛速度快、计算量低,在采集的高速列车齿轮箱圆锥滚子轴承数据的训练集下可以达到99.99%±0.01%识别率,在测试集下可以达到99.60%±0.01%的识别率。