接触网是高速电气化铁路运输系统的重要牵引动力设备，而良好的弓网综合状态是保证高速动车组稳定受流和准点运行的基础。为了保障弓网时刻处于良好的运行状态，必须对其进行检修作业，而相比于传统的接触网检修方法，状态修的效率更高，因此如何根据弓网综合检测的参数数据对弓网综合状态进行高效的判断是目前亟待解决的问题。
　　目前铁路行业的研究学者对接触网状态的判断或评估主要是利用各种复杂的数学理论来建立评估模型，但这些方法计算量很大和计算过程复杂，因此往往可能导致状态评估的时间很长，不能及时对接触网进行的维护和检修。为了提高弓网综合状态修的效率，提出一种基于深度神经网络弓网综合状态预测的方法，该方法目前在接触网相关领域鲜见文献报道。
　　考虑到铁路接触网的特殊性，本文结合实际工程数据，利用优化的深度神经网络预测模型对弓网综合状态进行预测和对预测结果进行聚类分析。本文主要完成以下内容：
　　首先，利用层次分析法和弓网综合状态各参数的状态计算出接触网中各支柱的弓网综合状态值，接着分析几种基于传统方法的弓网综合状态预测模型。
　　然后，建立基于深度神经网络的弓网综合状态预测模型的基本结构，并且运用遗传算法和 Adadelta（自适应学习速率算法）优化弓网综合状态预测模型，避免模型陷入局部最优。实验结果表明：该方案满足实际工程需求，具有一定的可行性；相比于传统的集成学习模型、神经网络和支持向量机预测模型，该方案具有更高的预测精度和更好的泛化能力，其预测精度可达到98.5%。
　　最后，为了对弓网综合状态预测的结果进行分析，本文利用不同聚类算法对弓网综合状态预测的结果进行聚类和分析，从而找出接触网中弓网综合状态不良的支柱，为以后进行维护与状态修提供一定的参考依据。