考虑到有限元分析方法存在着计算复杂度高、边界条件和材料参数难以精确确定以及网格质量依赖的问题,本文提出了一套应用于轨道车辆碰撞特性研究的数据挖掘框架,该框架主要包含了一种基于端到端数据挖掘模型的碰撞响应预测应用与一种基于数据挖掘近似模型的结构优化设计应用。该框架以有限元碰撞仿真结果为基础数据,根据具体应用,构建碰撞特性关于仿真初始条件的数据挖掘模型。响应预测应用中详细讨论了基于深度神经网络(Deep Neural Network,DNN)的数据挖掘模型构建、模型性能评估与改进、模型正则化、模型选择与交叉验证等关键技术点。在此基础上,针对轨道车辆碰撞特性研究这一特定问题,本文还进行了非均衡回归问题的损失函数改进、基于先验知识的模型输入特征改进以及提升泛化精度的模型融合。结构耐撞性优化设计应用从优化问题定义出发,详细讨论了基于数据挖掘代理模型的结构优化设计一般性过程:实验设计、代理模型的建立、精英保留遗传算法(Elitist Genetic Algorithm,EGA)优化以及优化结果的仿真验证。基于上述框架本文开发了轨道车辆碰撞特性数据挖掘研究平台。该软件平台包含轨道车辆碰撞响应预测与结构优化设计两大应用模块,以及共同依赖的数据读取、模型保存、模型训练以及结果可视化四大基础模块。为验证数据挖掘框架的可行性,本文借助自主开发的软件平台,分别对两大应用进行了案例验证。在响应预测问题上,基于DNN的融合模型在吸能防爬装置以及单节车碰撞工况上均达到了令人满意的精度。在吸能装置结构优化设计问题上,DNN模型不管是模型容量还是泛化精度均优于SVR模型,并且结合DNN模型与EGA算法的优化过程能够快速收敛到全局最优解。从优化前后吸能装置的仿真结果对比可知:DNN代理模型的近似误差绝对值低于3%,同时吸能装置的耐撞性能得到了较好地改进。