随着我国铁路运输向高速度、高密度的方向发展,对铁路信号设备尤其是担任转线作用的转辙机提出了更高的要求。目前,对转辙机的维修仍然采用传统的月检修结合故障修的模式,维修人员仅凭经验修复设备,不仅对故障的诊断精度低,而且维修时间较长,早已不能满足铁路运输的需要,严重制约了运输效率,同时也是影响行车安全的重要因素。为了提高转辙机故障的诊断精度,减少故障延时,有必要采用人工智能方法协助维修人员判断故障点并及时排除。作为处理不确定性问题的方法,BN(Bayesian Network,贝叶斯网络)以其强大的不确定性推理和学习能力,被广泛应用于航天、军事、医疗等领域设备的故障诊断,其建立的故障诊断模型能清晰准确的表达故障现象和故障原因之间的定性、定量关系。因此将该方法用于转辙机的故障诊断。论文以S700K型电动转辙机为研究对象,详细分析了转辙机控制电路和道岔的工作原理,结合调研铁路信号领域专家的经验知识,梳理归纳出转辙机控制电路故障和机械故障类型及故障的原因。根据网络拓扑结构和先验概率列出故障的因果关系调查表,构造出针对转辙机故障诊断的贝叶斯网络模型,通过计算得出所有节点的条件概率表。在输入故障的条件下,利用团树传播算法推理出故障原因的后验概率。由于根据不同专家经验建立的模型,其故障诊断结果存在差别,因此提出基于人工鱼群算法优化网络结构模型,融合不同的专家经验知识来构造贝叶斯网络结构。将人工鱼群算法运用到贝叶斯网络结构的学习中,利用人工鱼群算法全局搜索能力得到更简单、准确的网络结构。由于人工鱼群算法在后期会出现优化精度差、以及收敛速度慢等缺陷,通过引入藐视准则避开对局部最优解的搜索及优化人工鱼个体随机行为的方法进行改进,用经典函数证明优化算法的可行性,最终利用改进的人工鱼群算法得到最优的网络模型。