铁路隧道衬砌病害检测一直都是运营铁路隧道维护领域的研究热点,随着人工智能技术的不断发展,信号识别算法的出现为实现创新有效的铁路隧道衬砌掉块灾情检测提供了可能。由于隧道中衬砌掉块会给行车安全带来很大的威胁,进行衬砌掉块检测来保障铁路隧道安全就显得尤为重要。为了识别铁路隧道衬砌掉块灾情大小,本文设计了一种基于声音的铁路隧道衬砌掉块检测系统。对原始采集的铁路隧道衬砌掉块声音信号进行时频分析并进行预处理,初步验证了通过声音检测铁路隧道衬砌掉块灾情的可能性;提出一种掉块声信号的盲源分离方法,以获取较为纯净的掉块声;提取掉块声音信号的特征系数后,对三种不同大小的掉块声进行三种分类研究,取得了较好的分类效果;利用STM32设计了基于声音的铁路隧道衬砌掉块检测系统,并对实测数据进行实验分析,验证了系统的科学性、有效性及精确性。具体工作如下:（1）为了验证通过声信号检测铁路隧道衬砌掉块灾情的可行性,对原始采集的铁路隧道衬砌掉块声音信号进行分析。研究了铁路隧道衬砌掉块声信号的去噪、预加重、分帧加窗、端点检测等预处理方法;研究了掉块声信号的时频域分析方法,为铁路隧道衬砌掉块声音信号的盲源分离和识别奠定了基础。（2）为了获取较为纯净的掉块声,提出一种掉块声信号的盲源分离方法。将一路掉块声信号和两路环境噪声信号合成待观测的混合声音信号,用快速ICA算法（Fast ICA）和主成分分析法（PCA）分别进行盲源分离实验,比较两种算法的平均运行时间、分离信号的信噪比、均方根误差来评价各算法的分离效果。实验结果表明,Fast ICA算法解混出的掉块声信号的信噪比和均方根误差均优于PCA算法解混的掉块声信号,实现了更好的盲源分离效果。（3）针对传统分类器模型的识别结果不佳的缺陷,提出了三种基于支持向量机理论的分类算法。为了提升模型的泛化能力,利用线性预测倒谱系数（LPCC）及其一阶差分系数和梅尔频率倒谱系数（MFCC）及其一阶差分系数对掉块声信号进行特征提取,对比两种特征的分类效果,选择效果更好的一种特征作为精确分类实验的声音特征。精确分类实验采用五折交叉验证方式的对比三种不同大小衬砌掉块的声学特征在SVM、PSO-SVM和GA-SVM分类模型上的表现。实验结果表明,GA-SVM模型的正确率和F1-score比SVM模型和PSO-SVM模型都更高,正确率与F1-score分别达到了96.67%与96.66%,能够有效的识别出铁路隧道衬砌掉块灾情大小,验证了基于声音的铁路隧道衬砌掉块检测方法的精确性。（4）设计了一种基于STM32的铁路隧道衬砌掉块声音检测系统。设计了系统的总体框架,研究了麦克风前置放大器、主控制器、串口通信等硬件设计。对实际采集的声音数据进行实验分析,系统的综合识别率达到了92.55%,进一步验证了基于声音算法的铁路隧道衬砌掉块检测系统的科学性、有效性及精确性。实验结果表明,本文设计的系统能有效检测出铁路隧道衬砌掉块灾情大小,对丰富现有的铁路隧道衬砌病害检测技术有着十分重要的意义。