铁路是一个国家重要的基础设施,其对于一个国家经济的发展和民生的改善起着关键性的作用,但轮轨变形、车轮疲劳损伤的接连出现,已经严重影响铁路运行的安全和服役可靠性。常用的车轮损伤检测方法效率低、费时费力、可靠性低、漏检率较高,并且无法对车轮的失效趋势进行预测和分析。因此为了预防风险的发生和提高列车的运营安全,发展在车轮损伤出现前能够对其失效趋势、使用寿命进行准确预测的新技术至关重要。由于车轮损伤过程中会导致材料的表面硬度、金相组织及力学性能等特性发生变化,而这些特性与材料的使用性能息息相关。本研究以国内列车常用的CL60车轮钢为研究对象,以探究列车车轮性能评估方法为目标,采用激光诱导击穿光谱（LIBS）技术结合化学计量学方法,探索基于LIBS技术的车轮硬度检测与金相组织类型判别分析方法,建立定量定性分析模型。研究的主要内容和结论如下:（1）针对不同硬度的CL60车轮钢研究发现,不同硬度样品的基体元素（Fe）、合金元素（Mn、Cr、Ni）的谱线强度、离子与原子线的强度比（Ⅱ/Ⅰ）以及合金元素谱线强度与基体元素谱线强度的强度比（A/M）,与试样硬度均有一定的相关关系。研究结果表明,不同元素的激发特征和其自吸收作用的不同,导致它们光谱强度的斜率不同;样品的基体元素、合金元素的谱线强度、离子与原子线的强度比以及合金元素谱线强度与基体元素谱线强度的强度比均能在一定程度上对样品材料的基体特征进行表征。（2）采用谱线强度、谱线强度结合谱线强度比为变量,利用三种不同的预处理方法对数据进行预处理,建立最小二乘支持向量机（LS-SVM）和偏最小二乘（PLS）硬度定量检测模型。其中以谱线强度结合谱线强度比为变量的模型中采用标准正态变量变换（SNV）预处理后所得数据建立的PLS模型效果最佳,预测集的相关系数为0.976,均方根误差为2.745。结果表明,采用相同变量作为输入时,PLS模型所得结果明显优于LS-SVM模型;采用不同变量作为输入时,以谱线强度结合谱线强度比为变量的模型其预测精确度及其稳定性相比于以谱线强度为变量的模型均有所提升。同时该结果也表明将谱线强度结合谱线强度比作为变量输入模型时,可以建立更强关联关系的定量分析模型,并有效解决金属材料硬度的预测问题。（3）以不同类型金相组织的CL60车轮钢样品为研究对象。对样品的基体元素和合金元素的谱线强度、谱线强度比与不同类型金相组织之间特性进行观察分析,发现无法直接通过单一谱线强度及谱线强度比鉴别金相类型。利用主成分分析（PCA）方法对LIBS光谱数据的宏观特性进行了初步分析,发现特征谱线在经过PCA降维后的三维空间中具有一定的聚集性,可以看出这些数据拥有明显的非线性可分性。然后分别采用谱线强度、谱线强度结合谱线强度比为变量,利用三种不同预处理方法,结合两种光谱特征选择方法,并建立偏最小二乘判别分析（PLS-DA）和支持向量机（SVM）模型。其中采用多元散射校正（MSC）预处理后所得数据作为输入变量所建立的SVM模型效果最佳,校正集正确率为100%,误判数0个,预测集正确率为98.4%,误判数1个。研究表明,LIBS技术结合SVM模型能够对列车车轮钢不同金相组织进行判别分析,为将其应用于检测列车车轮的疲劳损伤奠定基础。综上所述:LIBS技术可以实现对金属材料的力学性能和微观金相检测,并且可将其用于现场诊断、估算车轮表面硬度、车轮疲劳损伤程度,为维持列车安全运行提供一定的保障。