为研究齿轮箱轴承性能退化评估，首先，根据高速列车齿轮箱轴承与齿轮的相关数据，对齿轮箱轴承仿真振动信号训练样本进行小波包分解并计算小波包奇异谱熵构成特征向量，输入到学习向量量化（learning vector quantization，简称LVQ）神经网络聚类模型中，建立性能退化评估模型；其次，将测试样本按同样的方式提取特征向量，输入到建立好的模型中评估轴承性能退化状态；然后，选取轴承全寿命疲劳试验进行分析，并选择特征优选和模糊C均值聚类算法进行对比；最后，根据LVQ神经网络聚类算法确定训练样本中正常状态和失效状态的聚类中心，建立性能退化评估模型。结果表明：将小波包奇异谱熵和LVQ神经网络聚类算法相结合，能较好区分齿轮箱轴承不同的退化状态，准确表现轴承性能退化曲线；通过隶属度函数计算隶属度作为性能退化评价指标，可以对性能退化状态进行定量表征；通过对时域指标和频域指标特征优选进行对比，验证了本研究方法更加有效，对早期退化更敏感，能及时发现早期退化并且能对退化程度进行准确评估。