铁路高速化、高密度化、自动化和智能化的需求不断提高,如何确保在复杂多变环境下列车能保持安全、平稳、节能和环保的优势,成为轨道交通领域急需解决的问题。因此,本文从列车数据驱动建模,基于小样本数据的系统未知快时变参数在线实时辨识以及列车速度状态的准确估计等问题展开研究。针对高速列车的数据驱动建模问题,首先,建立了高速列车动力学模型,分析了复杂运行环境下列车所具有的时变性和不确定性。其次,考虑到未建模动态对列车状态的影响,基于列车历史的牵引力/制动力和速度数据,建立高速列车的数据驱动模型,通过动态线性化技术,完成具有不确定性的非线性系统数据模型到含有外源输入的时变自回归模型再到系统状态空间模型的转化。针对列车系统中未知时变参数的辨识问题,考虑到高速列车系统在有限时间区间内具有重复运行的特性,引入迭代学习的思想,将自适应迭代学习与卡尔曼滤波算法相结合,同时考虑迭代方向的相关性和时间方向的动态特性,设计一种适用于辨识在重复环境下运行的动态系统的未知时变参数的辨识器,并推导出参数估计更新率,可以在线实时的进行迭代域的快时变参数的优化辨识。然后,基于Lyapunov函数,对参数辨识器的稳定性和收敛性进行分析。针对列车速度状态的融合估计问题,考虑到列车传感器网络中局部传感器节点的观测受限以及传感器节点之间的通信噪声,首先充分挖掘和利用网络拓扑信息,通过动态调整传感器节点的信息权重,设计分布式直接、间接测量模型。然后,结合卡尔曼一致性滤波算法,设计新的状态估计器,并推导出速度状态估计更新率,实现对列车速度的最优一致性收敛估计,滤除测量、通信噪声的影响。最后,给出基于Lyapunov函数的收敛性分析。本课题研究了数据驱动的高速列车非线性系统参数辨识和状态估计一体化技术,避免复杂非线性系统建模成本高,辨识精度差的问题,实现高速列车系统同步参数辨识和状态估计。最后,基于CRH3C型高速列车对所提出的参数辨识与速度估计算法进行仿真验证,证明所提算法的有效性和优越性。