随着我国铁路运输网络尤其是高速铁路网的不断完善,铁路运输成为重要的出行及货运的交通工具。钢轨波磨是铁路干线建设及维护中需要重点关注的问题。弦测法是目前检测钢轨波磨的重要手段,被各国铁路部门广泛使用,但基于弦测法的钢轨波磨动态检测过程仍有很多不足。一方面在弦测点信息采集过程中,由于列车过弯及蛇形运动造成的弦测点横向位置偏移而引入测量误差。另一方面复杂钢轨线路波磨数据中包含一种振动周期大于信号长度的轨道起伏低频趋势项,不利于真实波磨的获得。本文针对上述两个问题开展研究,并在此基础上对现有的基于弦测法的钢轨波磨动态检测过程进行了改进。针对弦测点位置横向偏移的问题,本文提出了一种基于视觉辅助的弦测点位置监视与修正方法,并依据该方法搭建了相应的波磨弦测平台。该方法主要由基于机器视觉算法的弦测点位置监视方法和基于步进电机系统的弦测点位置修正方法构成。监视方法按照采样间隔完成了对于弦测点位置的监视,并计算出弦测点所在位置相对于钢轨中线的距离;当弦测点位置超出有效的钢轨波磨检测区域时,通过修正方法完成对于弦测点位置的修正。实验结果表明弦测点位置监视方法的横向精度误差小于0.5mm,此外,应用该方法的钢轨波磨动态检测系统可以在15cm的图像采样间隔下以6.75km/h的速度运行。针对复杂钢轨线路波磨数据中的轨道起伏趋势提取问题,提出了一种基于排列组合熵(Permutation Entropy,PE)选取低复杂度奇异值分量重构趋势的EEMD-SVD信号去趋方法。相比已有的经验模式分解去趋算法,该方法考虑到原始IMF可能存在的信号成分混杂问题(如含有白噪声与信号的低频成分),提出了通过奇异值分解来精确提取隐藏在多维IMF矩阵中的趋势项成分作为奇异值分量。由于协方差矩阵构建的奇异值分量排列时只考虑了能量的分布而未考虑趋势项信号低复杂度、高幅的特点,使用排列组合熵来选出符合趋势项特征的奇异值分量,最后对满足要求的奇异值分量进行重建得到最终的趋势项。实验结果表明该方法整体去趋性能优于低通滤波法、与EMD结合的线性规划法和小波分解法,是一种有效的钢轨波磨去趋新方法。