受电弓滑板作为机车的牵引设备,其状态直接影响机车的运行安全。现有的针对受电弓滑板的研究内容,主要是两方面,一方面是关于受电弓滑板的状态检测,确认是否还能支撑机车的正常运行,另一方面是关于滑板磨耗的规律研究,但是由于受电弓运行环境的复杂性,现有的关于滑板磨耗规律的研究都是从实验上进行验证。随着大数据时代的来临,高铁车轮的磨耗预测已经告别了原有的实验室研究,开始利用机车运行中积累的实际检测值从数据上对车轮的磨耗进行了研究和分析,并取得了不错的成果,本文在参照车轮磨耗预测的研究后将支持向量回归的预测方式引入受电弓滑板磨耗的研究,得到基于检测数据的受电弓滑板磨耗预测。由于单核支持向量回归模型在对数据进行拟合时精度不高,容易陷入过拟合或欠拟合的状态,引入了最小二乘支持向量回归并对其核函数进行多核构建,得到新的多核支持向量回归模型,因为在构建过程中,参数的种类逐渐增多,于是引入量子遗传算法对参数进行寻优得到最后优化后多核最小二乘支持向量回归模型,优化后的多核最小二乘支持向量回归模型的精度交普通的支持向量回归模型精度提高了30%。本论文利用四种模型对成都地铁受电弓滑板数据和上海虹桥高铁受电弓数据进行训练和测试后得到的优化后的模型的拟合精度甚至能够达到99.6%。在积累了一定数量的滑板磨耗数据后,在系统中输入相应的里程数,系统能进行预测输出相应的预测值,从而提高滑板的使用效率。对受电弓滑板磨耗研究在可靠性,安全性和经济性三个方面均有所提高,对受电弓滑板磨耗的研究有一定的意义。