深度学习在振动信号识别中具有准确率高、精确率高的优势，但是车轮多边形标签数据难以大量获取，无法满足常规神经网络模型的训练需求。现有解决少样本问题的方法是将时域数据转化为频域数据，然而这种方法在时频域转换时会致使部分数据特征丢失。针对此问题，提出一种基于1DResAE网络模型的车轮多边形检测方法。该模型可在不进行振动信号时频域转换的情况下，通过对时域信号的无监督学习、特征提取和监督学习完成对列车车轮多边形的检测。通过融合一维卷积、残差网络和自编码器，形成了可提取和学习复杂的一维振动信号特征的一维深度神经网络；根据自编码器中编码器所提取和学习的特征，分类器利用少量标签数据进行监督学习，完成列车车轮多边形的模式识别。通过小比例轮轨对滚实验台采集的数据进行实验验证表明：该方法的检测精确率为98.971%，误差小且分类效果突出。对于车轮多边形检测任务，1DResAE能够有效检测出车轮多边形的阶数，具有一定的实用性。