钢轨,作为铁路运输的基本组成部件,其结构健康状况是影响铁路运输安全的一个重要因素。为避免因钢轨损伤而引起重大损失,我们有必要对钢轨的缺陷检测与辨识方法展开研究。超声导波具有检测速度快,对缺陷灵敏的特性,适合于大型结构的缺陷检测;机器学习是基于数理统计原理,发现和利用数据间的关系,实现缺陷的智能识别。为此,本文以超声导波检测技术作为检测手段,通过在多个位置布置传感器,获取在不同激励、接收位置的检测信号;进一步,以机器学习作为检测信号的处理方法,实现钢轨中不同损伤类型、不同损伤程度的智能辨识,具体研究工作如下:1.以60Kg/m型钢轨为研究对象。选用压电传感器作为导波信号的激励与接收元件。在钢轨轨头的不同位置布置传感器,用以探索不同位置激励或接收导波信号中包含缺陷信息的差异。最后,通过数值模拟与实验相结合的方式,获取导波检测信号。2.在不同损伤程度的裂纹缺陷和腐蚀缺陷的辨识中,探讨了基于主成分分析（PCA,Principal Component Analysis）算法的导波检测信号的特征提取。并针对主成分个数的选择展开研究,确定其最优值。然后,通过支持向量机（SVM,Support Vector Machine）,BP（Back Propagation）神经网络和CNN（Convolutional Neural Network）,验证所提取特征的优良。作为对比,从导波检测信号中提取出皮尔逊系数,损伤特征索引等9个信号特征,验证了采用PCA提取特征的有效性。3.在不同损伤程度的裂纹、腐蚀和内部核伤缺陷的识别中,基于PCA算法丢失局部特征的问题,提出S-PCA（Segment PCA）算法,用于导波检测信号的特征提取,验证了S-PCA算法可以提取导波检测信号中的局部特征,利于缺陷的辨识。4.探索性地将钢轨缺陷识别模型迁移到复合板,弯管的缺陷识别任务中,用于同种类型缺陷的跨结构识别的研究。其中,提出了MMD-KPCA模型用于迁移特征的提取。通过研究发现:在不同损伤程度的裂纹缺陷和腐蚀缺陷的识别任务中,采用PCA提取特征,在单一通道信号下,钢轨缺陷的识别准确率均可达到90%以上;多通道信号组合时,缺陷识别准确率可达到96%以上,远高于基于专业知识从检测信号的提取特征的分类结果。在不同损伤程度的裂纹、腐蚀和核伤缺陷的识别任务中,采用S-PCA算法提取特征时,钢轨缺陷识别准确率可达93%以上。综合以上结果,验证了本文所提出的钢轨缺陷检测与识别方法的有效性。同时,通过初步探索发现不同结构的同类型缺陷可通过迁移学习进行辨识。