接触网是铁路电气化工程的主构架,担负着向电力机车供电的重要使命,同时接触网沿铁路线上空架设,处于露天的户外环境下,检修需开天窗作业且检修时间长,若接触网系统出现故障,会严重威胁铁路运行安全,造成难以估量的后果。因此接触网的健康状态需要得到精准评估与重点监控,在此基础上若能超前的预测接触网从当前到发生潜在故障的预计持续正常工作时间,即剩余使用寿命,并在接触网出现故障前实现对接触网的状态修,对保障接触网健康运行有着重大的意义。本文首先从接触网的综合状态评估入手,通过接触网综合检测数据、指标参数影响度、缺陷信息数据以及人工经验等因素,综合选择合适的接触网参数作为评估模型的基础参数,搭建接触网综合状态评估模型;然后根据电气化铁路相关规定标准与线路工程实施方案,将参数指标划分不同健康等级并赋予归一化值。初始赋权模型利用层次分析法与熵权法进行组合赋权,之后针对组合赋权法均衡性不足的问题,引入粒子群算法对组合赋权法进行二次赋权,使模型内权重分配结果具有主客观优势的基础上,指标间的均衡性同时得到优化。然后探究了传统机器学习的剩余寿命预测模型预测效果,搭建了基于支持向量机的剩余寿命预测模型、基于决策树的剩余寿命预测模型和基于人工神经网络的剩余寿命预测模型,实现传统机器学习预测模型进行模型评估后,进一步搭建了基于深度神经网络的剩余寿命预测模型。针对基于深度神经网络得剩余寿命预测模型整体预测精度不高的问题,以接触网综合状态评估模型与基于深度神经网络的剩余寿命预测模型为基模型,设计了一种融合接触网综合状态与深度神经网络的CCS-DNN剩余寿命预测的新方法。通过对CCS-DNN剩余寿命预测模型实验测试,并与基于传统机器学习的预测模型和基于深度神经网络的预测模型进行比较,实验表明CCS-DNN模型具有更高的预测精度。最后对设计的CCS-DNN模型进行超参数优化,对模型网络结构和神经网络参数进行优化,通过实验确定神经网络隐藏层层数、每层神经元个数以及激活函数,并使用遗传算法对模型学习率、本地随机种子和数据集迭代次数进行优化,并对优化后的预测模型预测结果进行显著性分析。以线路检测数据中的定位点接触网数据为例,对其综合状态进行评估并实现剩余寿命预测,得到剩余寿命区间,并对该定位点接触网下次的维修时间提供指导。