走行系是影响城轨车辆运行安全的主要零件之一,承担着支撑车体重量以及传递载荷的重任,必须时刻保持良好的技术状态。城轨车辆的智能化发展促使需考虑的信息以及信息间的干扰急剧增长,增加了提取故障特征的难度,传统的诊断手段已无法满足要求。鉴于此,本文提出一种结合神经网络和D-S证据理论的信息融合方法,从两个层次对城轨车辆走行系的故障信号进行融合诊断。首先,对走行系的组成结构进行介绍,并选取轮对和滚动轴承为研究对象,分析其常见故障形式和故障信号的特点,提出采用振动信号和轴温信号作为走行系的故障信息源,并给出走行系实验平台的基本组成以及传感器的性能参数。其次,针对振动信号采用经验模态分解算法求取其固有模态函数,将固有模态函数作为信号特征带入BP神经网络,合理选择神经网络的结构参数,建立局部诊断模型。利用走行系实验平台采集数据进行仿真实验,结果表明基于振动信号的局部诊断对于单一故障的识别率较高,但对于复合故障的识别率相对较低。再次,采用阈值分类法处理轴温信号,研究红外线轴温探测机理和轴箱热轴的温度规律,统计分析当轴承处于不同故障模式时的温度区间进而得出阈值,并根据实验数据判断轴承故障,结果显示基于轴温的局部诊断可以高效地诊断滚动轴承故障,但无法诊断轮对故障。最后,采用D-S证据理论对上述局部诊断结果进行融合,详述了D-S证据理论的原理和融合规则,针对D-S证据理论的缺陷给出改进方案并结合算例证明其有效性,建立基于D-S证据的融合诊断模型进行仿真实验,实验结果显示融合故障诊断的准确率远高于局部故障诊断,可有效提高诊断可信度。