随着铁路技术的不断发展,铁路轨道平顺性状态检测分析逐渐引发人们的重视。良好的铁路轨道质量状态可以保障铁路的安全,并为乘客提供舒适的乘坐体验。基于轨道检查车可以进行轨道质量的动态安全检测,不仅可以为轨道质量的安全管理提供数据支撑及决策方案,同时参照大量的检测数据也可以挖掘出轨道的不平顺发展规律。因此,如何准确的获取轨道形态数据,并利用检测数据有效指导现场的养护维修正成为国内外研究者关注的重点话题。在轨道检测环境中,检测设备受阳光干扰、设备故障等因素影响会产生一些异常值。这不仅会影响铁路轨道的质量状态的准确评价,也会影响后续的轨道质量状态的预测研究。同时在轨道质量指数预测研究中,因检测数据权重比、背景值等因素造成模型最终的预测精度不理想,随机适应性较低。为解决上述问题,本文进行了以下几个方面的研究。（1）检测数据异常值修正处理研究。轨检数据的异常值修正研究可分为采样点数值异常修正和采样点里程异常修正。针对采样点数值异常修正研究,本文采用了组合法的采样点数值修正模型,通过将粗差剔除理论中的莱茵达准则与绝对均值法组合应用,实现了采样点数值的有效识别修正。实验结果表明:在均方根误差上,基于组合法的异常值修正模型相比小波变化法和变化率修正法平均降低了11.7%和9.35%;对于轨检数据的里程异常值研究,本文构建了基于拉格朗日分段插值法的里程异常组合修正模型,通过里程初步修正-数据分段处理-分段数据插值-改进DTW算法里程异常精确修正处理的一系列步骤,里程异常修正精度可达0.25m,里程异常修正后的相关系数平均能够达到0.98,有效的解决了轨检数据采样点里程异常的问题,方便后续的检测数据质量评价预测研究。（2）基于优化非等时间隔灰色模型的TQI预测模型构建。为解决TQI预测模型中因检测数据权重比、背景值等因素造成预测结果不理想的问题,本文提出了一种优化非等时间隔的灰色模型结合BP神经网络的TQI预测模型,通过对非等时间隔灰色模型从背景值构造、初始值选取、检测数据权重三个角度进行优化,提高了轨道TQI预测的趋势成分预测精度。针对轨道TQI预测中的随机波动成分,本文采用了BP神经网络模型,借助其良好的融合性及学习特性,有效地修正了检测数据中的残差序列,提高了最终模型的预测精度,实现了良好的轨道质量寿命预测。实验证明:本文构造的轨道TQI预测模型在模型预测相对误差上,与改进灰色和PSVM模型、GM＿GA＿Elman模型相比,分别减小了18.2%和15.7%。验证了该模型的有效性和鲁棒性,依据该模型可以实现铁路轨道的预防性维修决策方案。（3）可视化轨道检测数据管理平台的设计与研发。在基于动态检测数据的铁路轨道质量状态评价研究基础上,实现了可视化轨道检测数据管理平台的设计。根据不同线路的应用场景,能够实现实时轨道动态数据采集、历史数据的处理分析及当前线路轨道几何不平顺数据预测,并通过云端数据管理平台实现原始检测数据、数据处理结果及轨道几何不平顺预测结果的存储管理,方便用户在任意时刻的查询分析。