随着我国经济的飞速发展,高速铁路运营里程的增长速度越来越快,由高速、重载引起的轨枕空吊等轨道结构伤损严重影响列车的运行安全,已经引起了研究人员的广泛关注。而现有的轨道结构伤损检测手段主要依赖人工操作或利用轨检车在“天窗时间”进行检测,检测效率低并且无法实现在线检测。因此如何实现轨道结构伤损的高效检测对于保证列车在运行过程中一直保持安全和稳定十分重要。针对上述问题,本文提出了一种基于小波分析的轨道结构伤损特征提取方法。通过利用时域和小波分析中的小波包能量谱提取不同轨道结构伤损的特征信息,然后基于支持向量机算进行伤损识别,实现了对轨道结构伤损的诊断,从而为轨道结构伤损智能实时诊断及维护保养奠定了理论基础。首先,基于车辆-轨道垂向耦合模型（Vehicle track vertical coupling model,简称VTVC模型）建立了车辆和轨道系统的动力学方程,分析并对比了不同大型非线性模型的求解方法,并选取了较为合适的求解方法即基于Newmark的预测校正法对VTVC模型进行求解;对不同国家的轨道几何不平顺谱的函数表达式进行了分析,并基于周期图法估计了轨道不平顺功率谱密度,将其输入到VTVC模型中,对不同轨道结构伤损在模型中的模拟方式进行了了解,并对它们进行了仿真,通过对比不同速度下正常情况与伤损工况时轨枕振动加速度在时域和频域中的变化,发现在时域下只有轨枕空吊前后会有很大的区别,而在频域方面,在100HZ左右都有较大变化;其次,本文对轨枕振动加速度信号特征提取方法进行了研究,提出了一种基于时域统计和小波分析的特征提取方法,并对小波分析中的离散小波变换、小波包分解以及小波包能量谱进行了研究,并通过对比实验选取了小波包能量谱作为特征提取方法,在小波包基函数的选择方面,基于几种常用的小波包基函数,对小波包基函数进行了最优化选择,为后续伤损诊断提供了数据支撑;最后,基于支持向量机算法进行伤损诊断,在支持向量机的参数优化方面,分析对比了不同参数寻优方法如:网格搜索、遗传算法、粒子群算法以及自适应粒子群算法,仿真实验结果表明利用自适应粒子群算法进行支持向量机的参数寻优的效果最好,为了验证算法的鲁棒性,分析并对比了在不同速度以及不同轨道不平顺谱下算法的诊断准确率,都有很好的诊断效果。