随着我国铁路的高速发展,信息技术已经成为保障铁路运输安全高效运行的重要支撑。为了保障铁路货车的安全运行,需要对铁路货车关键零部件进行及时维修。由于以闸瓦为主的踏面制动是铁路货车主要的制动方式,因此,及时替换失效的闸瓦对保障铁路货车安全运行十分重要。目前铁路部门主要是对铁路货车做日常检查和定期维修,但是这种维修方式存在维修周期短、维修成本高、维修过剩等问题。随着传感器技术的发展,可以获得的大量监测数据为基于数据驱动的寿命预测提供了基础,根据预测的闸瓦剩余寿命可以实现对闸瓦进行状态维修,从而大大提高维修效率,降低维修成本。由于铁路车辆的行驶环境复杂,导致从中得到的闸瓦数据普遍存在噪声污染,且工况复杂多变,目前的机器学习模型难以直接应用到变工况的实际工业生产环境中。本文提出了一种基于迁移学习的深度卷积神经网络剩余寿命预测模型,并在此基础上,针对铁路货车闸瓦的特性和预测需求,提出了一种货车闸瓦剩余使用寿命预测模型。最后,将所提出的预测模型应用于的铁路状态修系统中,为铁路货车关键零部件闸瓦的检修决策提供支撑。本文的主要研究内容包括:（1）针对传统的剩余寿命预测方法只能对一种工况下的零部件做寿命预测,且在复杂的工况下数据特征提取效果欠佳的问题,提出了一种深度迁移卷积神经网络（DTCNN）预测模型。通过利用深度卷积神经网络模型中的多层叠加卷积层更好地学习每个原始特征的高级表示,引入迁移学习将与目标域数据集不同工况下的数据应用于对目标数据集的寿命预测建模中,从而实现了对少样本工况下零部件寿命的预测。同时,应用公开数据集C-MAPSS验证了模型的有效性。（2）针对铁路货车关键零部件闸瓦存在的数据缺失、工况复杂等问题,在已提出的DTCNN模型基础上,提出了一种铁路货车闸瓦剩余使用寿命预测方法。首先,使用生成对抗式插补网络（GAIN）对缺失的闸瓦数据进行补全。然后,结合闸瓦的特性和预测需求,利用深度迁移卷积神经网络（DTCNN）对闸瓦进行寿命预测。利用实际工况下的闸瓦数据完成了相关实验,验证了该方法在变工况下使用寿命预测的准确度。（3）闸瓦剩余使用寿命预测系统的设计与实现。运用所提出铁路货车闸瓦剩余使用寿命预测方法,设计开发了一个闸瓦剩余使用寿命预测系统,并投入试验使用,为铁路货车闸瓦的维修决策提供技术支撑,从而提高货车运行效率。