随着电力机车的发展,电气化铁路的节能、快速、安全等优点越来越被重视。弓网系统的良好服役性能是机车安全运行和受流质量的重要保障。由于电力机车运行速度的提高以及机车线路的增设,弓网导体间接触性能的不稳定,导致弓网系统冲击振动加剧,从而引起受电弓滑板断裂,使得机车不能稳定运行。因此,弓网系统中电接触的稳定性就显得非常重要。而接触电阻正是电接触性能的重要参量,它的变化可以影响电接触的性能好坏以及接触状态,以往对接触电阻的研究通常采用理论或者数值建模方法,而这些方法都需要对接触电阻做出相应的简化,从而使得所用模型的精度不能达到工业的要求。近年来,智能预测模型受到学者们广泛关注,所以,本文采用智能预测模型的方法对弓网接触电阻模型的精度进行提高,同时,也为弓网接触电阻模型提供了一种新的途径。本文首次提出将经验模态分解（Empirical Mode Decomposition,EMD）与多策略混合的改进麻雀搜索算法优化支持向量机（NLSSA-SVM）相结合的模型去预测弓网系统接触电阻阻值的方法。该方法不仅提高了弓网系统接触电阻的预测精度,而且也为弓网系统接触电阻预测模型的建立提供了新的方向。由于支持向量机（Support Vector Machines,SVM）在预测方面有较高的精度这一优势,所以,本文选择支持向量机作为接触电阻预测模型的主要方法。但支持向量机中存在参数选择困难的问题,参数选择不当则会影响模型的预测精度,因此本文引入多策略混合改进的麻雀算法对支持向量机参数进行寻优。首先,对于实验采集到的接触电阻数据具有非线性、非平稳的特征,本文引入经验模态分解方法对实验数据进行分解。经验模态分解方法将非线性的接触电阻数据分解为逐渐平稳的若干个本征模态函数（Intrinsic Mode Function,IMF）和残余分量,为后续的预测提高了数据的深度挖掘;其次,麻雀搜索算法（Sparrow search algorithm,SSA）在寻优过程中易出现种群多样性降低、寻优不足的问题,基于此本文利用多种策略对麻雀搜索算法进行改进,从而提高麻雀搜索算法的全局探索能力以及种群多样性等特性,通过测试函数进行测试,验证了多策略改进的麻雀搜索算法优于其他智能优化算法;然后,运用改进之后的麻雀搜素算法对支持向量机参数进行优化,得到优化之后的支持向量机模型,并通过实验进行验证,证明了改进麻雀搜索算法优化支持向量机模型相较于未优化的支持向量具有更高的预测精度;最后,采用优化的支持向量机对经验模态分解的各个本征模态函数建立单独的预测模型,对预测之后的单个分量进行重构,从而得到最终的预测结果,并通过实验验证了经验模态分解结合优化支持向量机模型相较于其他预测模型具有更高的预测精度,得出了该模型对于接触电阻的预测有良好的的可行性和一定的工程实用性。该论文有图43幅,表9个,参考文献61篇。