钢轨是铁路轨道的主要组成部分,承受着列车荷载、轮轨作用力等动态往复荷载作用,以及雨雪、大风、冻害、沙尘、高山、峡谷等恶劣自然环境与复杂地质、水文条件的共同作用,钢轨的运用状态在其服役期内不断发生着变化,钢轨在长期轮轨作用过程中产生的伤损、病害、缺陷以及钢轨材料性能退化对其服役性能产生直接影响,严重危及行车安全。近年来我国铁路不断高速度、高密度、高载重的方向持续发展,同时对钢轨的安全性、稳定性和可靠性要求也日益提高。随着钢轨检测监测手段的不断增多,各类检测数据为钢轨缺陷的诊断提供了科学的依据,同时也对钢轨缺陷的融合分析、趋势分析、关联分析以及状态评价带来了挑战,如何更全面、更科学地评价铁路现场钢轨的实际状态,更有针对性的进行养护维修,是铁路现场亟需解决的实际问题。本文从钢轨现场使用现状及钢轨状态的复杂性角度出发,重点针对以往研究及钢轨管理工作中忽略的各类轻伤集中区域以及多种缺陷共同影响下的钢轨状态,提出了一种将钢轨历史数据、检测监测结果数据、环境观测数据等多源异构数据融合的评价方法。首先利用钢轨基础台账及钢轨探伤车周期检测结果选取了京包线59个钢轨磨耗,表面缺陷,轻伤情况较为集中、现场实际状态不良的钢轨样本单元。其次采用专家调查法对样本单元的钢轨状态进行量化评分,通过层次分析法,构造了成对比较矩阵,确定了专家的评价权重,降低了样本单元状态量化评分的的主观性,通过加权求和确定了样本单元的最终得分,以此作为本文神经网络模型的训练样本。之后,利用BP神经网络将不同类型、不同结构的数据融合,建立了一套钢轨状态综合评价模型。通过机器学习算法,对模型进行训练及测试,测试结果准确率最低为96.39%,最高为99.86%。最后结合实例对任意钢轨单元进行状态了评价。结果表明,评估出的钢轨状态与现场真实状态及专家经验评价非常接近,能够为钢轨全寿命精准化管理及有效指导钢轨现场养护维修工作提供依据。