轮轨接触关系是轨道交通中的重要研究课题之一。随着列车运行速度提高,轮轨相互作用更加激烈,轮轨载荷也更加复杂。轮轨力的准确测量对于研究车辆系统运行平稳性与安全性具有重要意义。目前测量轮轨力应用最广泛的方法是采用测力轮对作为力的传感器,在车轮辐板按一定方式组成桥路,通过标定试验获桥路输出与轮轨力之间的关系。本文利用有限元仿真技术,对CHR2动车组拖车轮对进行仿真,模拟轮对在垂向及横向轮轨力作用下的响应情况,找出横垂向力相互影响较小的位置,将其确定为测力轮对的贴片位置。根据仿真结果,进行测力轮对的制作,并在标定试验台进行垂向力及横向力标定试验,得到相应的载荷标定系数。人工神经网络具有良好的鲁棒性和容错能力,同时具有强大的自学能力及并行处理能力,其仿真速度远高于传统建模方法。因此在工程领域,人工神经网络广泛应用于模式识别、非线性系统建模与控制。本文以精确预测轮轨力为目的,主要讨论了基于遗传算法优化的BP神经网络的轮轨力研究方法。本文以CRH2型车轮对为研究对象,介绍了测力轮对连续测量理论,结合有限元方法、遗传算法和人工神经网络,分析了测力轮对静态标定试验中桥路输出和轮轨力的关系。本文建立了横垂向桥解耦的神经网络模型,以不同工况的测力轮对标定试验数据为学习样本。通过多次训练学习,对比普通BP神经网络和遗传算法优化的BP神经网络的误差值,得到GA-BP神经网络的误差值更小、预测性更好；对比GA-BP神经网络轮轨力预测结果和通过标定系数获得的轮轨力,得到GA-BP神经网络在轮轨力测量技术中应用是可行的,所训练学习的神经网络具有应用价值。