我国常使用轨道车辆作为远程出行交通工具,其行驶过程中所产生的噪声既会影响司机乘客的身心健康,也是评价轨道车辆的性能及舒适性关键指标之一。轨道车辆噪声采集相较于汽车等小空间范围内噪声采集难度更大,原因一是轨道车辆噪声传递路径多且轨道车辆噪声源复杂且相互耦合,二是现场工况复杂不便于噪声采集。故可由易实现的多个非声学参数进行噪声预测,并作为进一步有源降噪的基础。同时,采用吸声、隔声材料等无源降噪技术虽可对中高频噪声进行良好抑制,但轨道车辆噪声主要贡献频段是低频噪声,其降噪效果有限,故引入有源降噪技术。因此,本文针对复杂多源的非线性低频轨道车辆噪声的控制问题,提出基于神经网络的轨道车辆噪声预测及有源降噪算法,采用MRA-2LFNN模型对轨道车辆噪声进行预测,并以预测结果为依据设计C-FNN有源降噪算法对轨道车辆噪声进行抑制。首先,对神经网络和有源降噪方法进行原理研究并对常规神经网络模型及有源降噪算法进行性能分析,为后续轨道车辆噪声预测与有源降噪建立理论基础。其次,设计MRA-2FNN噪声预测模型进行轨道车辆电力牵引系统风机噪声估计,通过多元回归确定模型输入变量,并利用模糊神经网络映射风机噪声主要影响因素与实际噪声值之间的非线性关系,完成预测后对结果进行分析,为轨道车辆风机噪声优化提供有力依据。最后,设计基于C-FNN的无次级通路传感器有源降噪算法。通过卷积建立轨道车辆不同位置噪声源与目标降噪点处噪声的传递关系,构建一个虚拟误差信号作为有源降噪算法的反馈信号以提高参考信号与目标降噪点处的真实噪声的相关性,再经过模糊层实现无次级通路传感器的有源降噪。通过数值仿真、半实物仿真及降噪实验验证了该算法的降噪效果。研究表明,基于神经网络的轨道车辆噪声预测及有源降噪算法可为轨道车辆噪声正向设计提供重要依据,消减先制造再降噪的行业痼疾;同时为无次级通路传感器的轨道车辆噪声有源降噪提供解决方案。