列车运行速度的不断提高,运行环境的复杂多变,导致列车系统动态作用环境明显恶化,给高速列车的安全、稳定运行带来巨大隐患。作为保障高速列车安全运行的重要组成部分,列车制动系统的制动性能受到了极大地关注。准确的动力学建模是高速列车精准制动的基础,通过对高速列车制动模型性能参数的实时精准估计,可以掌握列车实时性能,大幅度优化列车区间调度效率,降低列车测量成本,提高列车检修效率。但是,现有文献主要是针对列车自身动力学模型进行研究,并未考虑环境因素的影响,且针对高速列车这样的非线性非高斯系统,尚未有完善的辨识理论可以对其制动参数进行有效的实时辨识。针对这些问题,本文一方面对列车制动机理进行分析,研究并建立了基于环境的列车制动模型,并分别针对非高斯噪声干扰下的制动模型和含有隐变量的制动模型进行了辨识研究,从模型角度提出了相应的制动模型辨识方法;另一方面对列车监测数据进行分析,建立深度神经网络,从数据角度进行了制动参数的辨识研究。本文的主要工作和研究成果如下:1、对列车制动机理进行分析,建立了列车制动单质点与多质点模型。考虑到列车在实际运行过程中,运行状态会受到运行环境的影响,分析了列车运行在干燥轨道与潮湿轨道上的不同运动特性,提出了不同运行环境下的列车单质点制动建模方法。2、针对高速列车非线性模型在非高斯噪声干扰下的系统辨识和参数估计问题,提出并实现了基于高斯和方法的拓展卡尔曼滤波,将列车受到的非高斯噪声用高斯和表示,采用多个EKF作为子滤波器,利用并行计算的方式,得到了状态和参数的滤波估计。3、针对列车制动模型中难以观测的隐变量参数,设计了数据记录计数的滑动窗口,以窗口内的数据为研究对象,构造并最大化列车条件数学期望,提出了基于最大期望的制动参数在线辨识方法。4、以列车海量监测数据为研究对象,提出基于BP网络的时变制动参数辨识方法,考虑到列车速度和制动盘摩擦系数的时间序列数据特性,提出基于LSTM网络的时变制动参数辨识方法,实现利用列车制动速度的历史数据来预测未来的制动盘摩擦系数变化。