近年来,随着铁路货运市场的不断发展,全国铁路货车拥有量稳步增加,车辆运营过程中出现的安全问题也随之增多。轴承作为列车上承载重量的关键设备,其安全可靠性直接影响到货车的安全稳定运营。轴温是反映货车车轴运行健康状况的一个有效指标,为了对货运列车的轴温情况进行监测,路局目前主要依靠红外线轴温探测系统（THDS）对列车轴承进行实时监控。然而在铁路货车的实际运营过程中经常会出现热轴的误报事件,造成了较大的人力、物力、财力资源浪费。为解决该问题,本文将对目前现有的货车轴温预报方法进行优化研究,减少货车轴温预报过程中存在的误报现象。文本首先利用SPSS软件具有的强大统计分析功能,选用软件中的相关性分析方法对收集整理分析所得的所有可能影响轴温变化的因素进行相关性分析研究,找到了货车运行的速度、时间、环境温度、线路特征等与轴温相关性较大的影响因素,为基于深度Q学习算法的轴温异常判断阈值自适应调整方法的应用做铺垫。以瓦日线的特殊运行环境以及线路特征条件为例,介绍了瓦日线具有超长下坡道的线路概况以及其中的蒲县下行站点、龙马下行站点、辛堡下行站点三个连续THDS轴温监测站点的条件特征。采集并整理了上述三个站点的轴温监测数据信息,通过对数据信息的分析发现其中龙马下行站点的轴温监测预报结果存在较多的误报事件,C80型列车的误报事件发生率高于其他型号的列车。因此选取上述瓦日线三个站点的轴温监测采集数据作为路局一线的实际算例。最后详细介绍了深度Q学习算法的理论知识以及应用于货车轴温预报的具体方法。为了验证本文所提的轴温预报方法对于实际工况的适用性以及有效性,以瓦日线中的蒲县下行站、龙马下行站、辛堡下行站三个THDS轴温监测站点为例,应用了基于深度Q学习算法的轴温预报方法进行瓦日线的轴温预报,计算结果中的误报事件降低到了2件,本应该是正常状态的强热事件仅仅降低到了微热状态,且通过对结果数据的整理以及分析对比证明了并未因阈值的改变而发生任何的漏报事件。因此本文所提的货车轴温预报优化方法能够较好地适应路局实际的工作情况,在显著地降低货车轴温预报误报率的同时不出现任何的漏报事件,有效地推动了铁路维修保养建设的智能化发展。