截止至2020年,我国全国铁路营业里程达到14.63万公里,其中高铁3.8万公里,在地面客运货运中起到重要作用。在铁路运输过程中,钢轨焊缝因承载列车运行通过时轮轨关系产生的力与压力产生的疲劳损耗,经常产生检测难度较大的小型裂纹,小型裂纹经更多的疲劳损耗发展为大型裂纹并带来断轨的风险。基于此本文做了以下研究:·从对钢轨焊缝裂纹监测的目标出发,利用Lamb波在弹性介质中传播的基础理论,探究了Lamb波在钢轨焊缝各向异性材质下的传播特性,分析了Lamb波传播过程中的慢速曲线、相速度频散曲线与群速度频散曲线;·探究了基于生成对抗网络搭建Lamb波模态分解与裂纹监测模型所需的理论基础,并从理论上验证了生成对抗网络的底层数学原理和模型在本文目标任务中收敛的可行性;·借助计算得到的Lamb波频散曲线,数据采集实验中Lamb波的激发频率,设计了数据采集过程中的传感器布设方案。并对采集到的真实损伤数据进行特征工程分析,利用分析结果进一步设计仿真状态下的损伤数据采集方案,扩大整体数据集的样本分布;·分别探究了仿真数据集的时域与频域特征,利用对完整数据集的时-频特征分析结果,设计了最大化裂纹损伤数据特征差异的数据预处理方案。根据该方案对整体数据集进行预处理,并将预处理后的数据集作为模型的训练数据与测试数据;·在模型搭建阶段,根据分析所得数据特征,本文依照对抗生成网络的特殊结构与模型压缩理论中的迁移学习理论设计了两个阶段模型。并根据模型所执行任务的不同以及模型结构的差异,对两个阶段模型的损失函数与网络优化器进行分别设计。同时利用设计的结果对网络进行训练,获得具备不同特点的两个阶段模型;·根据模型所执行的不同任务,对模型的评价指标进行设计,评估了两个阶段模型在基于不同网络结构的情况下的各项指标。并设计了模型衰退率指标计算方式,对第二阶段模型的衰退率进行计算分析,同时设计了模型性价比指标计算方式,对两阶段模型的性价比进行计算评估,选出性价比最高的模型。文章还对比了两阶段模型在不同任务上与先进的深度学习算法和传统数字信号处理算法。对模型的任务执行结果与真实数据训练集中的结果进行了可视化对比。实验分析结果表明两类模型在实验采集到的真实数据集上对应的任务具有良好的评价指标,在主要任务中模型各项任务指标接近先进模型算法的效果,表明模型在大部分任务情况下可以良好并高效地完成任务。同时模型的可视化结果对比表明模型在真实情况下的任务执行能力较强,对于钢轨焊缝裂纹的敏感程度较高,展现出了接近当前最优深度学习模型或数字信号处理算法的效果。