高速列车在长期服役过程中,其安全性态将发生变化,利用传感器监测到海量的列车振动数据,这些振动数据蕴含着大量的列车状态信息,能够反映列车的运行状态。如何有效利用这些长期跟踪获得的监测数据,进而提取出能够表征高速列车运行状态的特征参数,对高速列车运行状态进行反演和识别具有重要意义。因此,针对高速列车,本文提出基于数学形态学的高速列车安全状态识别方法,提取出能够反映列车状态信息的特征参数,来实现高速列车安全状态的识别。主要完成了以下研究工作：1.结合列车轴箱与车轮振动关系以及轨道激扰对列车振动的影响,分析了通过周期性冲击响应提取车轮踏面擦伤的可行性；通过对高速列车轴箱振动模型的分析,提出采用改进的自适应形态提升小波(IAMGLW)对列车轴箱垂向振动信号分析的方法；实测轴箱垂向振动信号的分析结果证明了IAMGLW对分析高速列车轴箱振动信号的有效性。与自适应形态提升小波(AMGLW)相比,IAMGLW通过前置滤波以及对梯度阈值的改进使其能够有效地保留一定梯度范围内的冲击响应,滤除幅值较大的随机冲击且抗噪能力强。2.分析了高速列车振动传播的途径,以及二系横向减振器和抗蛇形减振器工作原理,从而找出适合监测这两种减振器性能变化的传感器通道。提出使用形态学分形来识别二系横向减振器阻尼渐变以及抗蛇形减振器阻尼渐变的方法,用提取形态学分形维数作为特征进行渐变状态识别。3.构造性形态学神经网络算法(CMNN)是一种数学形态学与传统的神经网络模型相结合的一种非线性神经网络,有较强的实用性。其训练算法根据形态学联想记忆而来,在测试过程中采用形态学算子将测试样本归类于训练得到的超盒之中。由于其测试过程无法正确地将落在超盒外的样本进行分类,后有人提出了一种基于模糊格的形态学神经网络(FL-CMNN),该算法用样本与超盒的隶属度判断提高了原CMNN算法的分类效果,但增加了算法的复杂程度且分类效果不稳定。这里提出一种基于构造性形态学神经网络算法的提升算法(LCMNN),该算法继承了原有的形态学算子运算速度快的优点且能够将落在超盒之外的样本进行准确地归类。数值试验表明,基于构造性形态学神经网络算法的提升算法(LCMNN)与其他几种算法相比,能够达到最好的分类效果,而且简单易行,计算时间少。本文的研究内容由国家自然科学基金重点项目《基于监测数据的高速列车服役安全性态评估的关键问题研究》提供支持。