随着轨道车辆研究的不断深入,基于经典力学的车辆动力学相关研究逐渐趋于系统化与完备化。而信息科学,尤其是大数据相关科学(如机器学习理论)在工程领域的应用正处于高速发展阶段。新兴的机器学习理论在传统的车辆动力学仿真中的应用逐渐成为了轨道车辆研究的新方向。近几十年来,研究人员首先引入计算机辅助建模来模拟车辆运行行为,大幅降低了试验探究所带来的经济与人力成本。为了保障车辆动力学仿真的可靠性,特别是对于车辆碰撞阶段的研究,通常需要对车辆建立足够精细的有限元模型。然而复杂的网格结构,模拟结构大变形时导致的网格畸变等问题均会降低有限元仿真的计算效率,而基于多体动力学理论的仿真方法虽能提高计算效率,但对于表达高度非线性力学行为时,其仅能提供有限的计算精度。为了综合上述两种传统方法的主要优势,本文基于机器学习理论提出了一种数据驱动的车辆动力学仿真方法。该方法主要思想为：以轨道车辆多刚体模型为计算载体,以试验数据或有限元计算结果为训练数据,从数据中提取非线性力元的力学特性以构建代理力元,并嵌入轨道车辆多体动力学模型实现联合仿真。基于该思想,本文提出了一套基于数据驱动建模与仿真的理论框架来根据训练数据获得代理力元,其中包括训练数据的获取与特征选择、数据压缩与训练样本筛选、数据驱动模型的构建(文中引入了Kriging模型与Legendre多项式回归模型)、模型性能评估、模型的选择机理。为了验证该方法的计算性能,本文分别就轨道车辆垂向动力学和碰撞动力学进行仿真分析,验证两种数据驱动模型的计算收敛性、训练样本量对仿真精度的影响、仿真计算的时问效率、计算精度对轨道谱噪声的容忍度以及对未知计算工况的预测能力。结果显示,Legendre多项式回归模型能够很好地表现车辆动力学中力元的非线性特性,在确保同等仿真精度的同时大幅降低了仿真所需时间。