高速道岔是铁路线路中的薄弱环节,在长期使用过程中,易产生结构疲劳和裂纹等损伤,严重影响铁路的安全运营,因此对道岔进行伤损监测具有重要意义。在道岔伤损识别技术中,由传感器采集的振动加速度信号数据量大,若直接将全部数据用于伤损检测,必将给系统造成运行速度慢、实时性不高等问题,为提高系统实时性和伤损识别准确性,对采集的信号进行端点检测并提取出有效的振动信号是信号预处理的重要一步。另外,由于传感器工作于较恶劣的环境,常出现各种故障,导致采集的道岔振动信号存在失真,影响后续道岔的伤损识别,因此,对采集的高速道岔振动信号进行失真识别具有重要意义。本文对此展开研究,所做工作如下所述：(1)在高速道岔振动信号端点检测部分,针对道岔振动信号的非平稳特性,采用了基于Hilbert-Huang变换的特征能量作为区别有效振动信号和噪声的特征,并对该特征进行顺序统计滤波处理,增强了有效振动信号和噪声的辨识度,然后应用模糊C均值聚类对特征能量进行自适应的阈值估计。最后将本文方法与基于短时能量、子带谱熵方法的仿真结果进行对比,对比结果证明了本文方法的可行性和优越性；并用实验验证了利用端点检测提取出的有效振动信号参与道岔伤损识别,一定程度上可提高伤损识别率,并减少道岔伤损识别所用的时间。(2)在道岔振动信号失真识别部分,首先在实测正常道岔振动信号基础上,对传感器漂移故障失真信号、传感器卡死故障失真信号和传感器冲击干扰失真信号进行模拟仿真；然后根据四种信号的非平稳性,提取基于EMD的三种特征：固有模态能量熵、特征能量和残差能量；最后研究道岔振动信号失真识别,分别采用基于FCM-减法聚类的最近邻算法、基于FCM-FCM的最近邻算法和基于BP神经网络方法进行实验分析。实验结果表明,本文方法比基于FCM-FCM的最近邻算法和基于BP神经网络方法的结果更准确。最后对本文所做工作进行总结,并对未来进一步的工作进行展望。