随着我国高速铁路网络覆盖面积的不断扩张,处在大风地区的高铁里程也越来越长。强劲的横风使得列车表面气压发生变化,造成列车横摆超限,严重影响高速列车的安全运行。由大风引起的列车脱轨、倾覆事故在国内外时有发生。因此,构建完善的高速铁路大风预警系统是保障高速列车安全运营的重要举措。本文以兰新高速铁路沿线风速监测数据为背景,分别建立了小波-时间序列风速预测模型和EEMD-GA-BPNN风速预测模型,并利用各单一预测结果,建立风速组合预测模型。结合大风环境下高速列车运行报警规则,对嵌入风速组合预测模型的高速铁路大风预警系统设计进行研究。本文主要研究内容及结论如下:（1）以兰新高速铁路哈密客运站通信工区的风速监测数据为对象,首先利用db3小波进行3层分解,得到趋势信号和细节信号;其次对各子信号进行平稳性检验,计算并判别各子信号ACF和PACF的拖尾性及截尾性,结合AIC信息准则,确定模型最优阶数;并利用最小二乘估计的方法,计算出模型中未知参数;通过构造统计量Q_LB,检验模型的适应性,建立适合数据特征的ARIMA模型对各子信号进行预测,最后将各子信号预测值叠加,得到小波-时间序列风速预测结果。为提高风速多步预测精度,提出滚动预测方法,并进行提前三步、五步预测。结果表明:风速一步预测时,整体预测效果较好,风速变化的整体趋势能够较为准确地预测,但在风速变化较快的时间段内预测结果存在较大偏差;风速多步预测时,滚动多步预测结果较直接多步预测结果好,表明提出的滚动预测方法可有效提高风速多步预测精度;随着预测步数的增加,预测误差也越来越大。（2）基于EEMD分解理论,对原始风速数据进行分解,得到若干IMF分量和一个剩余信息,对每个子信息分别建立BPNN预测模型,并利用遗传算法对网络初始权值与阈值进行优化。通过多次试算,确定网络结构及相关参数的取值。基于兰新高速铁路沿线风速监测数据,分别建立BPNN风速预测模型、EEMD-BPNN风速预测模型和EEMD-GA-BPNN风速预测模型,并对风速进行一步、滚动三步、滚动五步预测。结果表明:未经EEMD分解的原始风速数据直接采用BPNN预测时,出现预测延时的现象,而采用EEMD分解处理后,解决了预测延时的问题;利用遗传算法对神经网络进行优化可有效提高了预测精度。（3）基于各单一预测模型结果,以误差平方和最小为目标函数,建立动态变权风速组合预测模型和神经网络风速组合预测模型。推导建立动态变权风速组合预测模型各权重求解过程;确定神经网络风速组合预测模型的输入、输出以及网络结构。利用单一模型预测结果,进行风速组合预测实例分析,结果表明:单一预测模型预测精度不能一直保持在一个稳定的状态,在某些区段内预测误差较大,而组合预测模型误差波动较小;相较于单一预测模型结果,提出的两种组合预测模型都可以有效提高预测精度,其中神经网络风速组合预测模型结果更佳;进行风速提前多步预测时,组合模型仍然体现出较好的预测效果,相比较于提前三步组合预测,提前五步组合预测的优化效果更佳明显。（4）以兰新高速铁路防灾网中布置的风速监测基站为依托,阐述高速铁路沿线风速监测基站空间位置确定方法及数据的采集和传输,建立能够实现数据大量储存以及高效处理的大数据平台。基于风-车-路（桥）耦合空气流动机理,确定不同车型列车运行临界速度与环境风风速关系,并以此为预警系统报警规则。利用建立的风速组合预测模型对沿线风速进行预测,并结合系统报警规则,对嵌入风速组合预测模型的高速铁路大风预警系统设计进行研究。