在轨道质量状态检测过程中,检测设备故障、天气干扰和其它外界干扰等情况常常使得轨道状态检测数据出现失真,不能全面真实地反映实际轨道质量状态,从而造成漏检。本课题以高速综合检测列车得到的轨道状态检测数据为研究对象,以实现漏检原因的判别为目标,研究每种故障类型的故障特征提取方法,并在干扰识别和传感器故障诊断等方面展开研究。主要内容概述如下:（1）在基于机器视觉和基于惯性基准法的轨道几何不平顺参数测量与合成原理研究的基础上,首先针对机器视觉测量中激光摄像过程易受外界多种干扰的特点,分析了阳光干扰、激光故障和钢轨打磨等三种干扰性故障;其次分析了惯性传感器高低位移计的构成原理、故障原因以及典型的故障表现;最后确定了以单边轨距（左、右）、曲率以及惯性传感器高低位移计输出值为主要研究对象进行故障分析。（2）采用多种方法对干扰性故障类型及高低位移计故障类型分别进行故障特征提取。通过对单边轨距（左、右）两参数大量的观察分析,设计了基于多重分析的干扰性故障特征提取方案,其中除统计分析、序列自相关分析以及互相关分析外,重点研究了基于S-G滤波和快速动态时间规整（Fast-DTW）的相似性分析模型,并结合两参数的变化频率进行了振铃分析;针对惯性传感器高低位移计信号频率成分多样且存在趋势项的特性,采用奇异性谱分析方法在避免噪声和趋势项影响下有效提取到高低位移计的故障特征。（3）分别运用机器学习算法对干扰性故障特征和高低位移计故障特征建模实现各故障类型的判别。首先采用基于球树搜索的KNN惰性学习分类算法验证了干扰性故障特征的有效性,其次为提升干扰性故障诊断效果,设计了基于FE-BPNN的积极学习模型对三种干扰性故障进行诊断;设计了基于奇异性谱分析的随机森林高低位移计故障诊断模型,通过奇异性谱分析后的高低位移计信号分量特征集为实现高低位移计故障诊断奠定了良好的数据基础。（4）针对干扰性故障为多故障类型、多研究参数的特点,从数据挖掘的角度自动实现干扰性故障诊断。采用栈式稀疏自编码（SSAE）对与轨距相关的7项参数构成的干扰性故障原始数据集进行特征自动提取,以降维和升维两种方式分别设计了基于SSAE-BPNN的干扰性故障诊断模型,通过实验对比分析了FE-BPNN干扰性故障模型和两种SSAE-BPNN干扰性故障模型的诊断效果,结果表明基于FE-BPNN的干扰性故障诊断模型具有更好的分类效果及实时性。