随着高速铁路的飞速发展,列车的平稳运行已成为铁路运输安全领域的重中之重。由于高速铁路运营时长的增加,轨道养护的问题也越来越受到交管部门和相关企业的关注,长期使用的轨道也面临着种种不平顺故障频发的风险,因此,快捷高效且低成本的轨道不平顺检测研究和分析能够为轨道交通部门的轨道养护工作提供重要的思路及手段,值得进行多层面、多维度的深入研究。当前研究阶段,针对轨道不平顺故障的非接触式检测方法主要集中在使用人工智能相关技术对大量的监测数据进行分析,但由于高速列车轴箱振动数据量巨大,呈现出时序性和不平衡比率高的特点,导致传统模型并不适用于这种特殊情况;且未考虑采集环境下噪声对数据的影响,过多的噪声介入会导致信号特征不明显。因此,从数据层面和检测模型层面出发,设计出适用于轨道不平顺故障检测的模型是很有必要的。针对以往研究工作存在的不足,本文分别聚焦于解决以下三个主要问题:1.如何将信号降噪方法添加到时频分析方法中对采集到的信号进行降噪,从而完成不平顺故障段的信号特征提取。2.如何有效改进采集到的轴箱振动加速度时序数据的不平衡比率较高的问题,从而提高机器学习和深度学习模型的数据训练能力。3.如何改进机器学习和深度学习模型的相关参数,使其更加适用于大数据量下的检测任务,并进一步提高检测精度。针对问题1,本文在第二章采用了一种EEMD与小波变换结合的方法予以解决。具体内容如下:针对高铁轴箱加速度数据的时频特征分析研究中,通过时域统计量的计算和频域傅里叶变换,证明了由于轨道不平顺所带来的冲击导致信号突变。在时频分析阶段,设计了一种EEMD与小波变换结合的分析方法,选用轴箱加速度信号进行滤波和降噪,在最大程度保留原始数据特征的同时,有效去除了噪声干扰,仿真实验表明,该方法具有良好的滤波特性和降噪能力。由于问题2和3有一定关联性,因此针对问题2和问题3,本文在第三章提出一种数据增强处理后运用机器学习模型检测的方法予以解决;在第四章提出了一种数据增强处理后运用深度学习模型检测的方法予以解决,具体内容如下:在第三章中,首先采用动态时间规整算法和DBA算法对数据集进行增强。然后改进了蚁群算法,通过优化蚂蚁的搜索过程达到优化算法的目的,改进的蚁群算法与支持向量机结合一起构成检测模型。最后,用训练好的支持向量机模型完成轨道不平顺故障的检测。实验结果表明,改进的蚁群算法具有更好的迭代效率和分类精度,本文提出的数据增强和支持向量机结合的检测方法具有更高的准确率、召回率和精确率。在第四章中,通过引入最大最小距离算法和简单随机抽样原理,提出了一种改进的MCA（Multi-center data enhancement integrated algorithm based on Max-min Distance,MCA）数据增强方法。并结合融入密集空洞空间金字塔池化模块的深度残差网络对轨道平顺性进行检测。相关实验结果表明,该方法的检测分类效果明显优于其他方法。