高速列车作为大型复杂机电系统在交通运输中的重要性不断提升,为保障列车的安全性和可靠性,对其部件系统的控制性能要求越来越高。走行部作为影响高速列车运行质量与运行速度的核心组件,其机械性能对列车总体运行的健康状态有直接影响。健康状态评估是保障列车稳定性的重要途径,可以观测系统状态变化对走行部系统进行性能评估。然而通过对走行部系统的机理分析发现,因列车所处环境复杂,影响因素较多,运行数据并不能直观准确的反应走行部系统的状态信息。本文利用高速列车走行部系统历史数据提取故障特征,提出利用慢度特征来分析评估状态的处理方法,即基于慢特征分析（Slow Feature Analysis,SFA）与隐马尔可夫概率分布的健康状态评估技术。本文主要从以下两方面进行研究:（1）本文首先提出一种慢特征分析和隐马尔可夫模型（Hidden Markov Model,HMM）结合的方法对走行部数据进行健康状态评估。在特征分析部分,通过对走行部系统性能的影响控制因素进行分析,在确保转向架特征数据物理意义的条件下,选定特征数据的测量点。利用SFA对数据进行分析与降维,同时筛选出最慢度特征,并引入相关度函数拟合进行特征匹配以达到特征选择的目的,这保证了分类的精准性。在分类模型的建立部分,基于历史数据信息与专家经验知识提前对数据做指标规划与健康分类,建立隐马尔可夫健康状态评估模型以完成对数据的训练与评估,经案例分析与仿真,验证了方法的有效性。（2）为了更细致地从状态差异的角度评估系统状态,本文提出一种基于慢特征熵分析（Slow Feature Maximum Entropy Analysis,SFMA）的走行部系统状态评估方法,利用慢特征统计量的过程监控特性对测试数据进行检测分析,并结合最大熵函数找到系统状态变化的平稳和扰动区间,最后设计状态差异优化模块来对评估模型进行优化。经对比仿真发现,模型方法达到了对转向架系统健康状态精确评估的目的。