由于铁路线路长期运营在复杂的外部环境之下,再加上内部应力的影响,轨道结构的各种病害日益严重。然而,目前国内外针对轨道病害的检测主要依靠轨检车和人工定期检测来完成轨道探伤和养护,一旦轨道的病害发现不及时,则有可能导致列车脱轨倾覆等灾难性的后果。本文主要研究了基于振动响应的轨枕服役状态诊断方法,通过建立有砟轨道车辆-轨道垂向耦合振动模型,仿真得到了轨枕在不同轨道不平顺谱与不同列车速度下的振动响应。以轨枕振动响应为基础,研究轨枕振动响应的特征信息提取的问题,并结合智能分类算法,实现了轨枕服役状态的分类识别,证明了本文所提出的方法能有效地对轨枕服役状态进行诊断,为轨道结构服役状态的在线监测与智能预警提供一定的方法依据。研究有砟轨道结构的动力学特性,分析轨道结构病害在动力学中的表征方式,建立了车轨耦合振动模型。通过改变轨枕下道床的刚度和阻尼来表示不同的轨枕服役状态,仿真得出了轨枕不同工况下的振动响应,并将其作为第三、四、五章的原始数据。研究了基于排列熵算法的轨枕服役状态识别方法,将排列熵原始值和归一化后的值进行对比,发现归一化后的排列熵值能很好的反应轨枕下道床刚度和阻尼发生变化后轨枕振动响应复杂度的变化,构建了基于归一化后排列熵值的轨枕服役状态诊断的特征向量,结合支持向量机对轨枕服役状态进行分类,分类正确率均在90%以上。针对排列熵仅能从单一尺度上衡量时间序列复杂度的问题,研究了基于复合多尺度排列熵的轨枕服役状态识别方法,对比分析了排列熵+支持向量机模型与CMPE+支持向量机模型对轨枕振动响应的分类正确率,发现后者的分类正确率要高于前者。对比复合多尺度排列熵和多尺度排列熵,采用了具有稳定性更高、对序列长度依赖度低、能保留各个尺度上蕴含的丰富信息等优点的复合多尺度排列熵算法进行特征提取,并利用拉普拉斯得分对复合多尺度排列熵值进行了降维处理,构建基于降维后的复合多尺度排列熵的特征向量,利用支持向量机对轨枕服役状态进行分类,最终结果表明,该方法对轨枕状态识别准确率能达到90%以上,误检率很低。考虑到采样频率等原因导致时间序列长短不一的问题,利用动态时间规整算法计算各样本序列与基准序列之间的时间弯曲距离,构建基于时间弯曲距离的轨枕服役状态识别的特征向量,并通过长短期记忆神经网络来验证该方法的有效性,实现对不同序列长度的轨枕振动响应的分类识别,对于不同列车速度下的轨枕服役状态诊断正确率均达到了90%以上,充分证明了基于动态时间规整和长短期记忆神经网络的轨枕服役状态诊断方法的有效性。