高速铁路运营涉及业务部门众多,行车环境复杂,运营系统内外界对列车的干扰难以避免,加之我国高速铁路具有列车开行密度大、追踪间隔小的特点,列车一旦受到干扰产生晚点,晚点将极易在路网进行横向和纵向传播,导致晚点程度进一步加深。因此,准确把握列车晚点分布规律、掌握晚点致因影响特性和实现对列车晚点的精准预测,将有助于调度员掌握列车晚点实时情况,为及时制定合理的优化调整方案提供充分时间和辅助决策,以尽可能降低晚点传播带来的负面影响,进一步提高列车运行的可靠性和准时性。本文主要研究内容如下:（1）对高速铁路列车晚点相关理论进行了详细概述。首先归纳总结了高速铁路列车晚点的致因;其次根据晚点性质对晚点类型进行了分类阐述;从晚点的传播机理和吸收机理两个方面对列车晚点传播过程进行了详细分析;最后阐述了机器学习应用于晚点预测的基本流程,为本文后续的研究奠定理论基础。（2）对列车运行实绩数据和非正常事件写实数据进行了预处理。基于列车运行实绩数据,对高速列车的到发晚点时空分布规律进行了统计分析;基于非正常事件写实数据,分别拟合了各类非正常事件的持续时长、造成晚点的列车数以及导致的初始晚点时长的最优分布函数,从宏观的角度建立了研究线路上的非正常事件影响分布模型。结果表明:伯尔分布和对数正态分布对大多数非正常事件类型的持续时长、影响列车数以及导致的初始晚点时长分布的拟合效果较好。（3）提出了基于数据驱动的高速列车到达晚点预测方法,实现了列车到达晚点时间的精准预测。首先,从时间、空间、基础设施等角度分析并提取了可能影响列车到达晚点时长的特征因素;其次,设计了基于随机森林算法的特征提取方法以构建最优特征集;再者,建立了基于BO-XGBoost算法的高速列车到达晚点预测模型,其中XGBoost算法用以学习特征集与列车到达晚点之间的复杂关系,贝叶斯优化（BO）算法用以对XGBoost算法的超参数进行优化;最后,使用武广高速和厦深高速两条线路的实际数据进行了案例研究。结果表明:BO-XGBoost模型的预测性能优于既有的基准模型,包括人工神经网络（ANN）、深度极限学习机（DELM）和随机森林（RF）等。（4）在BO-XGBoost模型基础上考虑非正常事件特征,进一步研究提出了一种基于多模型融合Stacking模式的非正常事件-列车到达晚点预测模型。以武广高铁线路上行方向发生次数最多的五类非正常事件引发的到达晚点数据为例,对模型的有效性进行了验证。结果表明:对于超过20min的大晚点事件,Stacking集成模型的预测精度有极大提升。最后进一步给出了本文提出的BO-XGBoost模型和Stacking集成模型的各自适用场景。图28幅,表31个,参考文献93篇。