Las señales acústicas en la vía son útiles para mediciones sin contacto, así como para advertencias tempranas en el diagnóstico de fallos en los rodamientos de los ejes de tren. Sin embargo, hay dos problemas importantes al usar señales acústicas en la carretera para diagnosticar fallos en los rodamientos de rueda a rueda; uno es la presencia de fuertes interferencias debido al ruido intenso y a los altos armónicos en la señal, y el otro es la baja eficiencia en la identificación de fallos en los rodamientos que esto provoca. Por lo tanto, desde el punto de vista de resolver estos dos problemas, se propone un método de operación escasa para eliminar el ruido y desajustar la modulación de la señal acústica en la carretera, y se propone un clasificador de aprendizaje automático con una Red Neuronal de Base Radial (RBFNN) optimizada por un Algoritmo Genético (GA) para mejorar la tasa de reconocimiento de las características de los fallos en la señal acústica en la carretera. En primer lugar, se filtra el ruido de fondo de la señal acústica corregida por Doppler utilizando el método de Representación Escasa, y se reconstruye la transformada wavelet inversa en una señal sin ruido. En segundo lugar, se filtra la señal de interferencia de alto armónico en la señal utilizando el método de Descomposición de Señal Escasa Resonante (RSSD). Luego, se selecciona el GA para optimizar los parámetros de la red neuronal RBF y construir un modelo de diagnóstico de fallos. Finalmente, el conjunto de características de la señal acústica extraída se entrena en el modelo de red, y el modelo entrenado se utiliza para las pruebas. En resumen, la operación escasa en el procesamiento de señales acústicas en la carretera y el modelo de diagnóstico GA-RBFNN se verificaron como muy efectivos en el diagnóstico de fallos en pares de ruedas de tren a través del experimento de simulación.