轨道不平顺的检测对于轨道平顺状态的控制以及行车安全的保障具有十分重要的意义。铁路交通运输不断向着高速、重载和高密度方向发展,促使轮轨间动力作用显著提高,轨道状态的变化周期缩短,并且导致车辆轨道振动加剧,车辆乘坐舒适度降低,从而对轨道不平顺的监测与管控提出了更高的要求。目前的轨道不平顺检测技术具有经济成本高、系统构成复杂、必须占用运营时段以及运用效率低等缺点。因此,迫切需要研究开发一种低成本、简捷高效的轨道检测技术以适应轨道交通整体发展的趋势。本文提出的轨道不平顺估计研究课题是以动力学反问题为理论背景,综合运用信号处理、系统辨识与激励辨识、车辆动力学及车载测试技术相关理论展开研究,以轴箱振动加速度信号为研究对象,着重从车轮失圆致轴箱振动分量提取与分离、频域轨道谱的识别和时域轨道不平顺估计三个方向进行了深入研究。本文开展的主要研究工作和得出的结论如下：(1)总结了国内外车载监测技术在轨道不平顺估计中的运用和发展现状,指出由系统辨识和载荷(激励)识别构成的动力学反问题是轨道不平顺估计的理论基础,分析了轴箱振动信号与轨道不平顺的相关性,并且建立了车辆轨道动力学模型。(2)指出了运营车辆车轮失圆存在的客观性,针对车轮失圆对轴箱振动的影响问题,提出了基于信号原子分解理论和改进匹配追踪算法的干扰信号提取与分离技术。首先,对车轮失圆进行了分类并简要阐述了其产生机理,建立了车轮失圆的数学模型；其次,介绍了信号原子分解相关理论,包括信号的稀疏表示、字典定义及典型原子构造等,研究了匹配追踪算法及其与智能算法结合的方式。目前的轨道检车技术原理中均假设车轮踏面处于理想的圆顺状态,但是实际中运营车辆甚至轨道检测车的检测轮踏面均存在各种不圆顺缺陷。车轮失圆是最常见的车轮踏面缺陷,车轮扁疤和车轮多边形是最具代表性的失圆形式,车辆动力学仿真计算结果表明车轮扁疤引起的振动信号具有周期脉冲衰减特征,而车轮多边形引起的轴箱振动具有正弦波特征,将信号原子分解理论引入车轮失圆信号的提取和分离中,构造出了统一的冲击衰减原子,利用匹配追踪算法逐一搜寻信号中存在的冲击衰减原子或谐波分量,结合原子参数、轮径和车速能有效地判断故障提取的分量是否来由车轮失圆激发。为了提高原子全局参数寻优的计算效率,提出了基于粒子群优化算法的改进匹配追踪方法,将搜寻提取到的原子按时序叠加在一起,通过Wigner-Ville分布得到原子叠加的时频分布图,从图中可以清晰地看出车轮擦伤的存在。结果表明,该方法能有效地提取与分离车轮踏面擦伤引入的冲击信号,去除周期冲击信号后的信号能最大程度地表征轨道状态,为下一步应用提供平稳数据。(3)提出了基于逆虚拟激励法的轨道谱识别方法。轨道谱即轨道不平顺功率谱,是轨道不平顺在频域(空间域)的表现形式。轨道谱可以从波长和幅值两方面反映轨道的整体平顺状态,在轨道的养护中具有广阔的应用前景,传统的轨道谱获取方法依赖于轨道检测车检测数据,限制了其应用。论文将随机振动逆虚拟激励法应用于轨道谱的识别,结果表明,该方法极大地提高了计算效率,识别精度较高,使得轨道谱易于获取,为其进一步的推广应用奠定基础。(4)提出了基于NARX神经网络的时域轨道不平顺估计方法。轨道不平顺激励通过轮轨接触产生车辆振动响应,实际的轮轨接系统具有非线性特征。为了利用车辆响应信号估计轨道不平顺,首先需要利用系统辨识算法建立车辆响应到轨道不平顺的逆向系统模型。传统的线性参数模型ARX等不能很好的反映相同的非线性本质,对系统的辨识能力较差,导致激励辨识出现较大的误差。因此,本文提出了基于NARX神经网络模型的轨道不平顺时域估计方法。NARX模型是在线性ARX模型上的扩展,NARX神经网络具有多步输入输出延迟,能很好地反映系统的动态特性。输入输出阶数作为NARX神经网络重要的模型参数,目前仍然没有标准的确定准则,本文提出了基于遗传寻优的NARX神经网络算法,以相对平均误差为目标函数,以此确定最优的输入输出阶数组合。为了更好地接近实际,利用多体动力学软件ADAMS/rail进行仿真计算,获取轨道不平顺输入及轴箱振动信号,对神经网络进行训练,结果表明遗传算法优化的NARX神经网络预测输出具有较高的精度。NARX神经网络模型在轨道不平顺的识别中优于其他模型。