随着城市化进程加快,城市交通系统空间资源紧缺问题日益严重,地铁网络虽缓解了城市交通压力,但也导致了严重的环境振动问题,钢弹簧浮置板轨道因良好的减振特性而被广泛应用于地铁建设中。钢弹簧损伤问题将对轨道结构完整性造成不良影响并严重危害车辆运行安全,然而目前关于其损伤检测方法的研究十分匮乏,故研究高效、精准的钢弹簧损伤检测方法对保障城市轨道交通的安全运行具有重大意义。近年来,卷积神经网络（Convolutional Neural Networks,CNN）因突出的特征提取能力受到广泛关注,并在损伤检测及故障诊断领域有众多应用先例,它可自适应地从数据中提取表征损伤或故障的敏感信息,无需研究者对损伤或故障拥有先验认识。因此,本文对基于CNN的钢弹簧损伤检测方法进行了研究,首先基于深度学习理论构建了一维卷积神经网络（1D-CNN）,以二分类任务的形式探究了CNN对钢弹簧损伤情况下和正常情况下的系统振动响应的分类能力。利用车辆-轨道耦合动力学仿真生成训练所需的数据集,并在此基础上研究了不同情景对CNN分类性能的影响。二分类任务的结果表明:1)轨道板垂向加速度比钢轨垂向加速度更适用于钢弹簧损伤检测;2)不同的车辆运行速度会对CNN的性能造成一定影响;3)不同的车辆荷载工况对CNN的性能影响不大;4)钢弹簧损伤程度越大,则CNN对它的检测性能越强;5)轨道板中部的钢弹簧损伤比轨道板端部的钢弹簧损伤更难识别;6)钢弹簧上方邻近扣件与钢弹簧同时损伤会增强损伤情况下和正常情况下数据的区分度,但会使CNN更难在已经发生扣件损伤的情况下判断是否存在钢弹簧损伤。进一步地,利用残差学习思想构建了深度残差网络,并根据多传感器特征融合思想,以多分类任务的形式探究了CNN对一块轨道板上的所有钢弹簧进行损伤定位的可行性。具体地,分析了损伤源与传感器的复杂位置关系及传感器的数量对CNN性能的影响,提出了优化的传感器布置方案,并分析了CNN在不同工况的数据上的泛化性。最后,提出了确定传感器布置数量的一般性规则,并在全尺寸浮置板轨道试验平台上对本文所提方法及一般性规则进行了验证。多分类任务的结果表明:1)多传感器布置方案比单传感器方案更稳健;2)传感器的布置不能过于分散,也不能过于集中;3)相比于浮置板端部,位于浮置板中部的损伤钢弹簧更难被检测出来,且该现象与传感器位置、数量无关;4)CNN对不同车辆运行速度下的数据具有一定的泛化性能,但对不同损伤位置和不同载荷工况下的数据的泛化性能不佳;5)传感器布置数量的一般性规则可表述为:传感器数量=（单块轨道板上的钢弹簧对数±1）/2。