CA砂浆层是CRTSI型、CRTSII型板式无砟轨道的弹性调整层,其状态直接影响无砟轨道的耐久性和列车行驶的舒适性与安全性。CA砂浆层的损伤具有隐蔽性特征,无法直接观察。因此针对CA砂浆层隐蔽性损伤的无损检测技术研究对于损伤的早发现、早整治至关重要。本文针对传统诊断方法无法实现的深层特征特征提取以及冲击回波检测精度受限等问题,围绕CA砂浆层冲击回波检测信号的特征提取方法、特征信号处理方式及分类识别模型进行了研究。建立了基于希尔伯特黄变换和卷积神经网络的CA砂浆层缺陷识别模型:HHT-CNN模型。论文研究成果如下:(1)运用时域、频域及HHT分别对回波信号进行特征提取。根据响应波形的时域特征、振幅特征、频谱特征,探讨了基于时、频分析进行特征提取的可行性和局限性。同时依据Hilbert谱在信号瞬时频率-时间-能量提取的优势,提出了基于HHT的回波信号缺陷特征提取方法。实现了信号-图像特征的转换,使信号特征表达更加全面。(2)考虑到图像预处理对深度学习网络性能的影响,本文对Hilbert谱图进行了剪裁、灰度化、压缩等归一化处理。根据信号特征提取、特征图像预处理及数据集建立的需求,基于MATLAB平台设计了集信号采集,信号特征提取,特征图像处理为一体的回波信号预处理程序,实现了信号特征的快速、准确提取及数据集的建立。(3)将特征图像输入卷积神经网络完成信号分类。本文根据脱空识别需求,训练了DE-CNN-1模型和DS-CNN-2模型,分别实现了脱空与否和脱空大小的判断。经实验验证,识别准确率达到98%以上。本文将希尔伯特黄变换与卷积神经网络相结合建立了HHT-CNN无砟轨道CA砂浆层脱空识别模型,该模型对缺陷自动识别准确率高、速度快。