调车场在铁路网络中处于核心地位,其主要作用是解体进站列车以及对在站车辆进行编组,形成列车出站。目前我国铁路调车场按照编组计划对车辆进行编组,当列车不均衡、密集到达、车辆目的地车站远多于车站股道数量时,很容易导致车辆滞留在车站,从而影响整个铁路系统的运输效率。因此,研究铁路调车场多线股道车辆调度优化方法对于提升铁路货运运能,提高铁路经济效益具有重要意义。本文研究铁路调车场车辆优化调度问题。针对车站车辆股道调度问题建立了调车场多线股道上的车辆调度数学模型,并设计了基于图染色的贪婪策略和基于Q学习的DQN算法分别对模型进行求解,本文的具体工作如下:（1）多线股道车辆实际调度操作与单进单出型股道车辆调度模型建立。调车场股道类型有很多种,例如单进单出型,双进单出型,双进双出型等,本文以调车场股道为研究对象,根据铁路多线股道车辆调度实际情况以及铁路调车场的实际调度基础设施建立数学模型,使针对车辆调度问题建立的数学模型更加符合实际的铁路多线股道车辆调度过程。（2）基于上面所建立的铁路单进单出型股道车辆调度数学模型,提出了基于图染色的贪婪算法。将调车场内的车辆转化为二部图上的点,调车场内股道的数量即为二部图进行图染色的最大颜色数量从而将调车场内车辆股道调度转化为二部图上的图染色问题,使用贪婪策略对二部图上所有的边进行染色,以不同的颜色表示不同股道,并且通过实验验证了所提出算法的有效性。（3）基于（1）中建立的铁路股道车辆调度数学模型,提出了基于Q学习的DQN算法对模型进行求解。基于（2）中使用图染色贪婪算法求解该模型,当处理的数据量较大时运算时间较长,无法及时给出调度方案。深度强化学习中的神经网络具有快速处理大量数据的能力,且调车场车辆调度为连续决策的过程,符合马尔科夫决策过程,进而提出了一种更加通用、便捷的铁路调车场车辆调度算法。最终通过实验验证了提出的算法可以取得良好的车辆股道调度效果,为铁路货物运输调车场车辆股道调度提供了一定的理论参考。