随着近年来客货运量的增加和列车运行速度的大幅度提升，线路上钢轨磨耗程度日益严重。轨检车采集的磨耗数据种类多，但单一类型磨耗数据其数据量较大，正常磨耗数据和超限磨耗数据混合在一起，缺少相应方法将超限数据分离并有效利用。运用有效方法进行数据分析将磨耗超限数据分离，根据提取的超限数据进行钢轨磨耗预测，不仅能够准确掌握钢轨变化趋势为指导钢轨更换或打磨作业提供科学依据，并且可以减少经济损失和安全隐患。结合铁路局轨检车采集的检测数据和参考相关区段磨耗情况，将垂直磨耗、侧面磨耗作为数据分析和预测的主要研究对象，分析了钢轨磨耗主要影响因素，总结出车速、轨距和轴重等几个可用数值表征的影响参数。利用单类支持向量机进行磨耗数据分析，将磨耗超限数据进行分离并作为磨耗预测的参照。采用两种不同方法进行了磨耗预测，根据总结的磨耗影响参数建立磨耗预测的非线性模型，将RBF(Radial Basis Function,径向基函数)模糊神经网络运行于钢轨磨耗预测模型中，并结合实际数据进行了仿真实验。根据小波多分辨率分析的特点和组合算法较高的泛化能力与预测精度，将小波分析和粒子群优化最小二乘支持向量机组合算法应用于磨耗预测中，利用小波分解技术将数据按照频率的不同分解成各分量信号，结合粒子群优化最小二乘支持向量机对各分量进行预测，采用小波重构技术得到了完整的预测数据，结合具体线路数据进行预测仿真。基于单类支持向量机的数据分析仿真结果表明该方法能够实现数据分析，分类速度快并且具有较高的分类精度。对比RBF模糊神经网络和组合算法的仿真结果，其结果表明两种算法均可实现钢轨磨耗预测功能，但组合预测方法不受磨耗影响因素的制约且具有更高的预测精度。