截止至2019年底,中国高速铁路总里程达到3.5万千米,居世界第一。高铁大力建设的同时,保障列车的安全运行是发展高铁事业面临的重要问题之一。高铁列车运行环境复杂,钢轨与车轮长期工作在高负荷状态,因此在应力集中的情况下,即使钢轨上微小的伤损也容易扩散生长,给列车的运行带来危险。保障钢轨健康是高铁安全运行最迫切的需求之一,到目前为止,相关研究人员已经研发出多种铁路探伤方式。而声发射技术由于其灵敏度和动态性,在铁路探伤方面显示出优越的性能。但在实际探伤过程中,由于声发射技术是被动式接收信号,大量轮轨噪声会淹没钢轨伤损信号,这是基于声发射技术进行钢轨探伤的研究难点之一。因此,本文针对上述问题,开展了以下几点研究工作:首先,基于时域特征、非线性排列熵特征和梅尔声谱特征对伤损信号、轮轨噪声信号以及二者的混合信号进行分析,通过对比寻找区别于轮轨噪声的钢轨伤损检测特征。同时,针对伤损信号被噪声淹没而导致的特征提取困难问题,引入变分模态分解算法(Variational Mode Decomposition,VMD)分解声发射信号,从而使伤损信号从原始信号中分离出来。其次,由于利用VMD算法分解信号时,不同成分的信号需要调试不同的分解参数,而对于待分解的声发射信号而言,信号成分复杂,实时更新,人工调试参数非常耗时且效率低下。因此本文针对不合理参数造成的分解问题,将能够完全分解出信号有用信息同时不发生模态混叠和过分解的分解结果作为粒子群算法的优化目标来搜索最佳参数,实现不同成分声发射信号的自适应分解。并通过实验信号的分解结果以及与其他两种优化方法的对比验证了所提方法的有效性。最后,针对声发射信号数据量大,伤损信号无标记的特点,设计了基于自编码器和K-means聚类算法的无监督模型,用以识别伤损。其中为了保留声发射信号中的时序信息,采用双层LSTM网络搭建自编码结构。本文利用优化VMD算法分解实验采集的1000组声发射信号,将分解结果通过特征工程送入设计的模型中进行训练,最后利用K-means算法识别钢轨伤损。通过与单一特征的识别结果进行对比,验证了本文设计的结构能够提高伤损识别精度,识别结果对噪声具有鲁棒性。本文将优化变分模态分解算法与深度神经网络相结合提高检测结果的可靠性,对实际钢轨探伤工作具有一定意义。