本文主要针对列车运行过程中所存在的碰撞风险,提出一种有别于列车控制系统的列车碰避方法。将在线路上运行的列车视为具有“自主”意识的智能体。在实际的列车运行过程中,由于列车实时接收和发送信息,使得列车在一定程度上具有以行车安全为目的而采取的行车措施。论文主要利用微分对策理论和神经网络算法,将行驶的列车定义为有执行决策能力的局中人,考虑列车实际运行过程中导致列车碰撞的各种因素,计算列车在不同的行车状态下发生碰撞发生的可能性。本文主要包含三部分内容:（1）考虑在特定情况下的列车位置信息,利用定性微分对策理论,将列车的行驶状态空间划分为安全区（躲避区）和危险区（捕获区）。在安全区域,列车不存在与其他列车发生冲突的隐患,按照既定的行车计划,接收列控中心发送的行车许可行车;若一旦行车进入危险区域,无论列车采取任何的措施都不能避免列车发生碰撞。因此,为保证列车的安全运营,在提高行车效率的同时,列车应在安全区行驶,避免与其他列车发生碰撞。本文通过对捕获区面积的分析,计算出各因素对捕获区面积的影响值,提出合理的避碰规则。（2）分析将“碰撞危险度”引入铁路行业的合理性,考虑影响列车碰撞危险度的具体因素,利用神经网络强大的并行处理能力实现对碰撞危险度的计算。采用BP、Elman、RBF三种神经网络计算碰撞发生的概率值,并且从计算精度和训练速度两方面比较了三种神经网络,从中选择更满足仿真要求的RBF神经网络算法。（3）针对微分对策求解过程中遇到的“双边极值”问题,采用微分对策和神经网络相结合的方法解决存在的计算问题。本文针对一般的微分对策问题,分析了自适应神经网络与微分对策结合的原因,介绍了自适应神经网络控制器的原理。最后通过三种列车运行状态的仿真分析,验证该控制器的合理性和有效性。本文以现有的列车安全控制技术为基础,从运动学角度出发,利用微分对策理论和神经网络方法对列车在行驶过程中存在的冲突问题进行研究,结果证明了微分对策理论和神经网络方法在列车避碰策略研究中的有效性。