随着我国高速铁路的不断发展,铁路安全已经成为人们日常生产生活中的重中之重,作为轨道车辆重要组成部分之一,列车车轴由于其恶劣的工作环境很容易出现疲劳裂纹,如果不能及时发现,裂纹会不断扩大最终导致车轴断裂,严重威胁人们生命安全及财产安全,所以对列车车轴的故障监测对列车能否安全运行有着至关重要意义。本文在对本课题组同学论文进行完善验证的基础之上提出一种基于一维卷积神经网络(1DCNN)的车轴疲劳裂纹声发射信号的识别方法,为模拟列车实际运行过程中产生的冲击和噪声,本文在车轴疲劳声发射信号中加入了车轴敲击声发射信号和车轴背景噪声声发射信号进行干扰。通过对网络进行训练选取最佳的网络参数,将车轴裂纹声发射信号从干扰信号之中识别出来,更好地减少了人工成本和时间成本,实验表明一维卷积神经网络对车轴疲劳裂纹声发射信号具有很好的识别效果。为了对比本文所采用方法的有效性、合理性,本文分别选用二维卷积神经网络(2DCNN)以及极限学习机(ELM)和支持向量机(SVM)两种传统方法进行对比实验,结果表明,一维卷积神经网络方法能够更有效地从车轴敲击信号和背景噪声信号中识别出车轴裂纹声发射信号。在对车轴疲劳裂纹声发射信号进行识别之后,本文还提出一种基于长短时记忆网络(LSTM)的方法对车轴疲劳裂纹声发射信号进行波形预测,通过对网络进行训练选取最佳的网络参数,使网络达到最佳的状态并对车轴疲劳裂纹信号进行波形预测,实验表明,长短时记忆网络对车轴疲劳裂纹声发射信号波形具有很好的预测效果。