随着铁路技术的发展,列车的车速和载重都在不断提高,列车运行的安全问题也受到了越来越多人的关心。车轮作为列车的关键部位之一,它的完整程度直接决定了列车能否安全地行驶,车轮上严重的伤损可能会导致列车在运行中脱轨,威胁列车上乘客的生命安全。因此进行车轮伤损检测方法的研究在保证列车的安全运行中具有十分重要的意义。本文使用声发射技术作为车轮伤损检测方式,针对其容易受到噪声干扰的问题,以特征提取与分析和深度学习等理论为基础,开展对车轮伤损声发射信号检测方法的研究,主要内容如下:首先,本文设计了模拟列车运行的实验,利用声发射传感器采集了带有伤损的车轮在钢轨上运动的信号,并用其构建了关于伤损、干扰和环境噪声的数据集。接着提取数据集信号中的时域、频域和时频域特征Gammatone倒谱系数（Gammatone Cepstral Coefficients,GTCC）,引入支持向量机算法作为特征筛选手段,比较时域和频域特征结合与GTCC特征在伤损检测中的性能,通过验证后发现GTCC特征在伤损检测的准确率上高于时域和频域特征的结合。然后,针对GTCC特征中的时序特点采取长短期记忆（Long Short Term Memory,LSTM）网络作为分析工具,引入注意力机制,并且提出了基于卷积和时间注意力改进的LSTM（Convolutional and Time Attention in LSTM,CTALSTM）网络检测方法,通道、空间和时间注意力在LSTM网络中的有效结合使得CTA-LSTM网络可以更好的提取GTCC特征中伤损和干扰信息,从而更加准确的检测伤损信号,训练结果中表明CTA-LSTM网络有着最高的准确率。深度学习算法极度依赖数据,在实际应用中容易出现错误率高的现象,本文通过观察伤损和干扰信号的GTCC特征,并提出基于GTCC上升时间特征的检测方法,来减少可能会出现的错误率高现象。最后,为了提高训练数据的数量和多样性,本文使用了平移和mixup算法的数据增强,随后引入学习率衰减和权重衰减策略来对模型参数优化。接着构建测试集验证了CTA-LSTM网络和GTCC上升时间特征方法相结合的检测效果,结果表明该方法可以实现车轮伤损的精准检测。证明本文提出的方法针对车轮伤损声发射信号的检测是有效且实用的,对于实际车轮伤损检测任务意义重大。