列车轮对轴承是列车走行部的主要部件,其健康状况直接关系到列车能否安全、稳定运行,因此有必要对列车轮对轴承的运行状态进行监测。由于列车的高速运行,道旁声音信号往往带有严重的多普勒畸变、多频带混叠和很强的背景噪声。由于多普勒畸变的影响,信号的瞬时频率会随着时间的变化而变化,针对这类非线性时变信号,时频分析方法往往有着不错的处理效果。本文主要针对列车的道旁声学信号对轮对轴承的预设故障进行识别。以声源信号为研究对象,介绍了道旁声学信号的时频畸变特征。基于时频分析,结合了图像处理、遍历寻优和其他信号处理手段,对道旁声音信号进行运动参数识别。并且利用识别得到的声源运动参数对畸变信号进行了矫正,最终实现了对矫正之后的道旁声学信号进行故障信息提取。研究重点是提出了三种针对道旁声学信号进行声源运动参数识别的算法。第一种算法是基于信号时频脊线提取的声源运动参数识别算法。该方法是在信号经过短时傅里叶变换(STFT)得到的时频矩阵上进行均值滤波,再将滤波以后时频矩阵中若干信号能量集中的区域继续阈值处理。随后使用遍历的峰值搜索算法进行目标脊线区域的时频脊线提取,该脊线根据声源的运动模型可以拟合出声源的运动参数。第二种算法是基于变尺度迭代拟合的声源运动参数识别算法。该算法旨在降低算法对人为干预处理的依赖性。基于构造的多普勒窗对频率发生畸变的信号进行可变频带的滤波。通过每一次识别的声源运动参数不断构造新的多普勒窗对信号进行处理,迭代的进行时频脊线提取和参数拟合,最终得到最优的声源运动参数。第三种算法是自适应的声源运动参数识别算法。该算法的主要创新点在于用多普勒窗在时频矩阵中进行遍历式的选取局部信号,每次用来构造多普勒窗的声源运动参数越接近实验信号的真实值,那么该多普勒窗内的局部信号能量值就越大。根据这种关系,我们就可以事先预设声源的运动参数集,用匹配追踪的思想可以对整个时频域进行遍历,然后进行寻优,最终识别声源运动参数。通过实验信号的研究表明,本文所提出的三种方法的都能准确识别声源运动参数。证明通过时频处理的方式来分析非线性时变信号是一种有效的方法,对基于道旁声学信号分析的列车轴承状态监测与诊断进行了有益的探索。