无砟轨道在长期服役过程中,会承受列车荷载和温度荷载等的作用,这将显著影响无砟轨道的承载能力和耐久性。关于其中温度荷载产生的温度场,已有一些研究成果,但对无砟轨道的温度场的长期监测数据的挖掘、地理位置对无砟轨道温度场的影响等研究偏少,而对于无砟轨道温度场的研究也多是局限于有限元法、公式法等,这些方法往往过于复杂,难以推广。针对上述问题,通过建立成都、上海和海宁三个地区的无砟轨道实体模型,对无砟轨道的内部温度和周边的气象参数进行长期监测,获取了一年的实测数据。利用已测得的轨道温度和气象数据,统计分析三个地区的气象数据的特点;而对于无砟轨道温度,使用一阶差分方法得到三个地区异常数据判断标准,经数据清洗后统计分析无砟轨道表面温度和温度梯度的时间分布特性。分别对三个地区的无砟轨道表面温度与各气象参数、温度梯度与各气象参数的关系进行研究,发现表面温度与气温之间线性相关性较强,而其他元素间的线性相关性或弱或强弱因地区而异;同时也确定了成都地区的表面温度的极端温度分布情况。通过相关性分析得出三个地区无砟轨道的表面温度和温度梯度分别与气象参数间的关系难以用确切的线性表达式拟合。基于相关性分析的结论,利用BP神经网络的万能逼近作用和LSTM神经网络的能对时变序列数据的未来进行预测的优点,转而使用修正的BP神经网络和LSTM神经网络方法,建立表面温度的BP神经网络模型、温度梯度的BP神经网络模型、表面温度的LSTM神经网络模型和温度梯度的LSTM神经网络模型。对前两种模型分别输入气象数据和表面温度数据、气象数据和温度梯度数据,后两种模型分别输入表面温度和温度梯度数据,训练并预测后,发现温度梯度的BP神经网络模型误差较大不能使用;同时对比,确定LSTM神经网络的预测精确度比BP神经网络高,在使用LSTM神经网络下,表面温度比温度梯度的精度高。