检测地铁隧道是否发生形变直接关系到列车行车安全。针对传统人工静态检测不适合运营地铁隧道的情况,本论文设计了一套基于激光扫描测距原理的车载隧道形变动态检测与分析系统。该系统能够有效对地铁隧道形变进行检测和分析,实现对形变灾害的监测和预警。论文首先介绍了系统的工作原理及总体设计方案;然后介绍了数据采集系统设计,包括主要传感器选型,LMS500数据处理与USB数据传输；接着介绍了数据处理算法设计,包括多传感器相对定位算法与基于RBF神经网络的隧道建模算法：最后通过实验验证了系统的可行性。为适应列车高速运行的状态,本论文采用高速激光扫描测距仪和高速激光位移传感器升级了数据采集系统,设计新的FPGA数据采集模块增强了系统的通用性,并利用USB接口提高了数据传输速度,实现各传感器数据的实时高速采集,完善了原有系统。本论文提出了一套隧道形变检测与分析算法,包括多传感器相对定位算法与基于RBF(Radial Basis Function, RBF)神经网络的隧道建模算法。多传感器相对定位算法,在不增加成本的前提下,利用系统已有的转速传感器、激光扫描测距仪和激光位移传感器分别获取公里标、隧道特征数据与轨道特征数据。该算法通过公里标与隧道特征数据实现粗校准定位,通过公里标与轨道特征数据实现细校准定位,最终完成高精度、高可靠性的相对定位,解决了单一转速传感器定位精度受限造成的同一位置周期性检测数据不匹配的问题,实现了周期性检测数据的融合,为后续隧道模型的建立奠定基础。基于RBF神经网络的隧道建模算法,通过对融合后的隧道三维点云数据进行多周期训练,建立多重RBF神经网络,不断优化隧道模型,最终建立出隧道内壁模型和特殊区域模型。在完成实际检测与模型建立的基础上,将实际检测数据与模型输出数据进行对比,完成形变分析。为验证系统的可行性,在地铁隧道现场和实验室轨道环境分别进行实验。实验结果表明,该系统能够有效进行相对定位并建立隧道模型,相对定位精度可达±1Ocm,形变分析精度可达±10mm。实现了隧道轮廓形变的检测与分析,达到了预期要求。