近年来,中国高速铁路发展迅猛,截止目前已经建成高速铁路2.5万公里,居世界第一位。然而随着行车速度的逐步提高,在实际运营中,已发现部分轨道结构在列车重复荷载下出现了轻微伤损并导致轨下结构的破坏。这些都将引起轨道几何不平顺的变化,尤其是轨道高低不平顺的变化,而轨道高低不平顺是引起车辆产生垂向振动并限制列车速度进一步提高的主要因素。因此,高速铁路运营过程中,必须关注轨道几何状态的变化。目前,我国高速铁路的发展已由大规模建设逐渐转向了长期运营管理和维护阶段,而智能化诊断识别高速铁路线路几何状态日益成为铁路运营维护部门的重大课题。因此,本文针对高速铁路线路几何状态识别问题,开展了相关研究工作。主要研究工作如下:1.简要介绍了我国高速铁路发展的现状以及在运营过程中出现的一些工程问题,在此基础上,概括了国内外在高速铁路运营管理维护方面开展的主要研究工作及研究现状,明确了本文的主要研究内容。2.基于车辆-轨道耦合动力学理论,编写了高速车辆-板式无砟轨道垂向数值计算仿真程序,给出了相关参数和数值积分方法,验证了程序的正确性。3.介绍了神经网络的基础原理与网络设计流程方法,阐述了基于MATLAB神经网络工具箱的时间序列预测和模式识别方法,介绍了BP神经网路和径向基网络的原理和构建方法,对比分析了BP神经网路和径向基网络的识别精度和应用能力等性能指标。4.利用车辆-板式无砟轨道耦合动力学模型和仿真程序,分析了谐波型不平顺激扰作用下车辆-轨道系统动力学响应的特征,研究了各项动力学响应指标随谐波不平顺波长、幅值和波数的变化规律。在此基础上,利用统计学分析原理,分析了车体加速度响应指标的分布特征,研究了车辆系统主要部件动力学响应与谐波不平顺波长和幅值的相关性关系。5.以车辆系统动力学响应为输入向量,研究对比了基于时间序列预测、神经网络模式识别、BP神经网络和径向基网络的谐波不平顺波长和幅值的识别率,对比分析了四种识别方法的识别率和识别效果。经过分析可知,四种识别方法模型均能较好地识别谐波型不平顺的波长和幅值,而且车体加速度为模型输入向量的主要成分。其中时间序列方法对长波段波长识别较好,对短波段波长识别则较差;模式识别工具能较直观地给出识别率,且识别率会随输入向量的特征数而有所变化;BP神经网络能较好地分类识别大部分样本,但对于处于分类界限的样本则较难分类识别;径向基网络能较好地预测识别长波段波长;对短波段波长的识别则较差,但可以较好地预测识别幅值的变化趋势。