我国铁路运输的运载量和速度与日俱增,列车发生脱轨的可能性也增大了,建立一种能够高效的脱轨系数预测方法已是研究热点。应用神经网络研究轨交安全问题是当下的热点之一,但是当列车匀速通过弯道曲线时,脱轨系数会受到多种因素影响,变化过程复杂,神经网络难以准确预测脱轨系数,本研究对此提出以组合式神经网络预测脱轨系数,主要内容如下:（1）结合列车脱轨理论分析了曲线上列车横向稳定性,遴选出车速、弯道半径、超高和重心偏移量作为神经网络算法的输入,对应的最大列车脱轨系数作为神经网络的输出。（2）本研究提出采用仿真手段建立深度学习算法的训练数据集。在SIMPACK多体力学仿真软件上建立车-轨系统仿真场景,并根据各项国家标准验证模型的可靠性,在此基础上,通过仿真计算不同属性下的脱轨系数,建立了有着947条样例的深度学习训练数据集。（3）建立了列车脱轨系数单项预测模型。在深度学习训练数据集上训练单项网络,使用独立动态学习率和单元随机失活方法对单项网络的收敛速度和预测精度进行优化,得到了预测脱轨系数的误差逆传播网络（BP）和长短时记忆神经网络（LSTM）。（4）建立了组合式列车脱轨系数预测模型。根据单项模型的预测误差,用拉格朗日乘子法求得两种单项模型的加权系数,对单项模型的预测结果进行加权平均得到了BP-LSTM组合式列车脱轨系数预测模型的预测结果。最后通过对三种网络进行泛化性能验证,证明了相较于单项网络,组合式预测模型预测脱轨系数问题更加准确,且泛化性能更强。本研究对脱轨系数预测研究有一定指导价值。