本文研究的内容是基于数据建模的轮轨力载荷辨识理论和应用方法。包括:轨道-车辆系统检测数据时频特征提取技术、多节点特征数据稀疏主成分分析的特征融合技术、基于特征数据神经网络建模的轮轨力载荷辨识技术及其在轨道质量状态评估中的应用方法。在对轨道-车辆系统检测数据的时频特征属性进行分析和提取的过程中,从经典时频分析理论出发,延伸到使用参数化时频分析方法获得信号的瞬时频率和稀疏分解,并提出一种基于变参数域和短时高斯线性调频基的自适应信号分解算法。这种方法较传统的时频分析方法更准确,可以为建立轮轨力载荷辨识数据模型提供有效的特征数据。轮轨力载荷辨识数据模型的输入是经过时频特征提取的轴箱、构架、车体加速度和轨道不平顺检测数据,模型的输出是经过时频特征提取后的轮轨力数据。经过时频特征提取的特征数据虽然在时、频域上有一致的对应关系,但却存在着相关性和多重共线性等干扰。直接用这些数据建模不但不能发挥预期的作用,还会带来维数灾难,耗费大量计算时间。针对上述问题,提出了一种多节点和稀疏主成分分析的特征数据融合方法,消除了多节点特征数据的相关性和多重共线性干扰,同时每个主成分具有可解释性,可作为训练轮轨力载荷辨识数据模型的输入数据,有助于更加准确的辨识轮轨力。在融合了多节点特征数据后,建立数据模型时需要用大量特征数据进行训练,因此对现有的神经网络和机器学习算法也提出了新的问题。本文在分析了现有的神经网络和机器学习算法后,提出一种基于多节点L1/2-Spase PCA-ELM神经网络的轮轨力载荷辨识数据建模方法。使用L1/2正则化条件增加稀疏性约束以确定隐含层神经元节点的个数,为ELM学习算法隐含层节点个数选择提供了依据。该算法具有稳定性好、泛化能力强、训练速度快等优点。使用仿真数据比较了该方法与其它神经网络数据建模算法的性能,并使用实测数据进行了验证。最后,提出一种基于轮轨力和轨道不平顺T2统计量的轨道质量状态评估方法。通过对七项轨道不平顺组成的综合变量在主元子空间投影向量单位正规化后求得T2统计量并利用它评价单个采样点和200米区段的轨道质量状态。使用综合检测列车在高速铁路和既有线路上采集的轨道不平顺和轮轨力数据进行验证,结果表明T2统计量可以更加全面的反映轨道质量状态。