对于参数模型,计算机可以根据给定的参数对输入数据进行计算得到准确的输出,但当参数模型的条件发生变化,参数得不到及时的更新,此时得到的输出将不准确,导致模型偏离实际,而监督式学习却可以根据样本中给定的输入和输出,得到它们之间的对应关系,当条件改变时,其相应关系也会发生变化,减小模型输出偏离实际的程度,尤其当关系比较复杂时,参数模型很难给出准确合适的函数,监督式学习也能够根据输入和输出的相应关系得到预测结果。在列车的实际运行中,由于线路条件、列车本身、和地理天气等各种客观因素的变化,列车基于参数模型的控制参数并不能及时更新,导致其和列车的实际运行存在一定滞后和误差。为了更好的控制列车的运行,提高列车运行的效率和安全,本文将以列车进站过程为例,采集相应的数据,利用监督式学习中的高斯过程回归模型进行仿真,和列车的参数模型进行比较,分析它们的优缺点,对高斯过程模型在实际中的应用有一定的现实意义。本文的主要工作有：(1)论文根据高斯过程的数学特性,结合高斯过程的回归模型,系统的分析了影响模型预测分布的主要因素。(2)论文分析了列车运行的速度监控曲线和控制策略,根据列车制动的动力学基础,利用迭代正推和迭代逆推两种思想,对了列车制动过程的参数模型和列车目标距离控制的参数模型进行了仿真研究,得出了当速度变化和距离变化取值足够小时,两种方法计算出的列车的紧急制动距离基本相同,均满足实际应用规定的结论。(3)论文提出利用非参数模型对列车制动过程进行仿真研究的思想。采用监督式学习中的高斯回归模型,根据不同的数据条件,分别对基于多次数据和在线数据的列车制动过程的进行了仿真研究。通过参数模型和非参数模型对列车制动进站的比较研究,得出了非参数的高斯过程模型更接近列车实际制动,参数模型更适合对列车进站速度进行限制的结论；通过对不同训练数据量下基于在线数据的高斯模型的仿真研究,得出了在线数据的高斯模型的使用条件。结果表明：非参数模型应用于列车制动曲线的研究具有一定的可行性和适用性。