钢轨内部损伤会导致钢轨断裂而发生严重的事故,因此及时发现钢轨内部裂纹,对于铁路维护有重要意义。目前国内外在铁路现场使用的钢轨探伤车均是在天窗时间进行探测,且钢轨轨底角存在检测盲区,无法实现钢轨全截面在线监测。超声导波衰减小适用于长距离探测,但由于钢轨较为复杂的几何结构,使超声导波固有的多模态性和频散性更为显著,且钢轨不同区域对不同模态的敏感性不同,无法使用某种单一模态进行监测。本论文在分析超声导波在钢轨中传播特性的基础上,研究了模态混叠情况下的钢轨裂纹信号提取方法以及裂纹位置定位算法,为实现钢轨全截面在线监测提供理论支持。针对钢轨裂纹信号的提取问题,提出了适用于复杂环境下的裂纹信号提取方法。由于导波在遇到裂纹等结构变化时,会产生回波,接收到的回波信号包含复杂多变的环境噪声、结构声学噪声等干扰信号和裂纹造成的回波信号,本文提出一种基于奇异值分解和独立成分分析的方法,实现了裂纹回波信号的有效提取,为下一步裂纹的精准定位奠定基础。针对钢轨裂纹产生部位（轨头、轨腰、轨底）的区域识别问题,将提取出的裂纹回波信号作为输入,分别使用传统机器学习和深度学习网络进行分类识别。利用传统分类器时,以不同区域裂纹对同截面不同接收点的影响作为特征,使用SVM、随机森林等多种分类器进行识别,在仿真数据集上实现98%以上的识别准确率;利用深度学习网络时,在CNN的基础上,分别用一维和二维卷积神经网络对裂纹回波信号进行监督学习,经对比确定出最优的网络参数,得到最佳的钢轨裂纹特征,识别准确率达99%以上。针对钢轨裂纹的距离定位问题,本文确定利用第一波包实现沿钢轨纵向的裂纹准确定位。由于超声导波在钢轨截面不同位置的传播特性不同,使得不同区域的裂纹回波速度不同,因此将钢轨横截面细化分为轨头、轨腰、轨底三部分;通过对裂纹回波信号进行时频分析、滤波、希尔伯特变换等预处理后,综合对比拐点、驻点、极值点的定位方法,实现对不同区域第一波包速度的拟合,并在仿真情况下,对比不同激励方式,在不同距离裂纹的钢轨模型上进行验证,结果表明,裂纹定位的相对误差在3%以内,满足实际应用要求。最后分别在实验室的3.5m短钢轨和125m长钢轨上进行实验,验证了上述裂纹信号提取与定位识别方法的可行性,为后续研制远距离、钢轨全截面在线监测设备提供理论基础。