随着现代检测技术以及现代铁路工业综合自动化技术的快速发展，我国铁路相关部门保存了大量的车轮系统的在线与离线检测数据,其中蕴含着丰富的车轮滚动系统的特征和规律信息。这些数据除了数据量大之外，还具有更新速度快、非线性、高相关性等特点，并且它们通常以非结构化的形式存储在高维空间中，必须借助各种数据分析和约简方法才能揭示这些高维数据中的本质特征，从而获得有效的信息。本文研究基于这些数据的车轮磨损量的预测方法。本文对流形学习算法可应用到的领域进行了探究，即将流形学习应用于预测模型、车轮磨耗系统的建模方向。首先，针对传统流形正则化加权回归(WDMR)模型对新样本数据预测的局限性，提出了基于半监督局部线性嵌入(LLE)算法的WDMR建模方法。然后，考虑到列车各个车轮磨耗量之间的整体性和相关性，提出了一种基于LLE算法的多轮位磨损量预测模型。最后，为了进一步提高模型性能，本文提出了基于耦合模拟退火算法优化的流形正则化加权回归模型，通过仿真实验验证了该方法的有效性。另外，本文建立了基于数据驱动的子空间辨识的车轮磨损量预测模型，取得了较好的效果。