高速铁路的传统探伤方法占用线路且速率受限,识别效率较低。为了及时掌握钢轨的安全状态,必须研究一种新型、快速的高铁钢轨伤损检测方法。声发射技术指材料在断裂和塑性形变过程中以固体弹性波形式释放出应变能的现象,具有检测精度高、可检测裂纹动态特征等优点,目前研究已证实了声发射技术在钢轨实时监测上的可行性。本文基于钢轨伤损声发射信号在轮轨耦合中的传导特征进行研究,提出基于卷积神经网络的车载钢轨伤损检测方法。通过有限元分析软件ABAQUS和赫兹接触模型,建立单轮轨静态接触耦合的固体弹性波模型,当信号由钢轨传入轮内时,虽然部分反射使得检测信号的幅值大幅下降,但信号并未被完全阻隔,且信号本身的特征未发生变化,通过车轮内信号与轨道内信号的分析对比,验证了轮内接收的信号可以识别出钢轨内声发射源的特征这一观点。基于时域特征参数、频谱及模态分析法分析不同钢轨伤损阶段的声发射信号特征,经过对比,当钢轨材料进入非安全阶段时,信号时域参数如峭度等反映的冲击程度会明显增加,同时有效值等反映出的振动能量也会增大。在频域上,非安全信号的高频成分更丰富。通过模态声发射分析得知,这些现象主要是由于在非安全阶段裂纹大量产生,扩展波成分增多所致。这些特征都可用于构建伤损的多维特征以区分钢轨的寿命阶段。最后,基于多声发射事件概率改进的卷积神经网络算法建立钢轨伤损阶段的识别分类规则,对构建的伤损特征库进行分类训练,本论文提出的识别网络识别效果优于对比实验的几种算法,识别误识率达到预期效果,证明本文提出的算法针对钢轨伤损的分类问题是有效且实用的。