轨道交通引起的环境振动问题与人们的生活密切相关，直接影响着人们的生活质量，因此倍受人们的关注。轨道结构一般包括轨道、轨道扣件、枕木、碎石垫层。而列车运行时，车轮和轨道之间存在着相互作用，由于轮重的作用使轨道产生弯曲变形，弯曲波就通过轨道各成分传给地基土并向四周传播，从而进一步诱发建筑物的二次振动。由于车辆、轨道和地基土本身的复杂性，无法建立数学模型来完全模拟轨道系统的真实情况。人工智能的发展，为轨道交通引起的环境振动评价提供了一个有效的工具，但目前还处于起步研究阶段。 本文以传统的轨道分析方法为基础，充分融合遗传算法和神经网络技术对轨道的模态参数、地基土表层的特征参数和移动荷载作用下地基土的响应预测进行了初步的探讨。主要内容可总结为如下几点： 1、针对前向神经网络中两种典型网络模型的全局优化问题，提出了基于递阶遗传算法的RBF和BP网络的优化模型，并用简单、高效、开放的Mattab语言编程实现。 2、轨道体系的基本模态参数(模态频率，模态阻尼)是其重要的动力特性，和它的结构性能有着密切的关系。本文就简单的Euler梁模型，采用有限元方法计算其频率响应函数(FRF)，用主元分析方法(PCA)对频响数据进行压缩处理作为优化BP网络模型的输入，以Euler梁前四阶模态频率和模态阻尼作为网络输出。通过模拟计算，模态参数识别是可行的。 3、地基土表层参数在轨道交通引起环境振动分析中起着至关重要的作用。本文采用进化遗传算法和传统正分析相结合的方法，对表层的弹性模量、密度和损失因子进行了反演。反演结果表明，所提出的反演方法具有全局搜索能力，并且具有良好的抗观测噪声能力。 4、以传统波动论为基础，构造了列车车速、地基土表层参数(弹性模量、密度和损失因子)、观察点到轨道中心线距离与地表观察点响应速度和加速度振级间复杂的非线性关系。并以此训练优化的RBF网络模型，来对移动荷载作用下引起的地表响应的速度和加速度振级进行有效预测。