列车轮对作为高速列车重要的支撑和走行部件,长期在复杂环境下与轨道发生高速滚动接触,其踏面损伤成为影响列车运行安全性和舒适性的重要因素之一。目前人工或辅助设备的列车轮对踏面损伤诊断方式,存在诊断速度慢、效率低、经济性差等问题。为此,本文开展了基于卷积神经网络的高速列车轮对踏面损伤诊断研究,主要研究内容如下:（1）针对传统的人工轮对踏面损伤诊断方法效率低的问题,提出基于卷积神经网络的轮对踏面损伤诊断方法。首先对高速列车轮对踏面损伤的机理进行分析,表明轮对踏面损伤诊断研究的必要性。然后对轮对踏面损伤图像数据进行采集并分析其特性,描述损伤区域的纹理特殊性;其次详细介绍普通卷积神经网络的构架和训练过程,阐明其适用于轮对踏面损伤诊断问题的原因;最后简要描述该网络的诊断流程,并探讨了普通卷积神经网络的优缺点。（2）针对传统卷积神经网络在轮对踏面损伤诊断过程中精度不高的问题,提出一种基于金字塔拆分注意力的高速列车轮对踏面损伤诊断方法。首先采用迁移学习方法,预训练Image Net数据集得到模型权重,将其迁移至轮对踏面损伤诊断模型中并进行微调;其次将Res Net-50残差块中的3×3卷积替换为PSA模块,得到新的EPSA-ResNet,融合空间和通道多级别注意力特征,自适应地进行特征重标定;最后通过测试集得到轮对踏面损伤情况的诊断结果,并在同一损伤数据集下进行对比分析。实验结果表明:该方法能够高精度地对高速列车轮对踏面损伤进行诊断。（3）针对高速列车轮对踏面损伤类别难以识别的问题,提出一种基于Inception-Res Net网络的高速列车轮对踏面多类别损伤诊断方法。首先将采集到的损伤图像样本进行预处理,并且制作多类别损伤数据集;其次分析Inception-Res Net网络原理,该网络能够并行的提取轮对踏面损伤特征,并基于此网络运用tensorflow框架构建高速列车轮对踏面多类别损伤诊断模型;最后,模型对于测试数据集进行损伤诊断,得到多类别损伤诊断结果,并在同一数据集上进行对比实验。实验结果表明:该方法在能够有效地对轮对踏面损伤状态信息进行多类别诊断。