无绝缘轨道电路（Jointless Track Circuit,JTC）作为列车运行控制系统的重要组成部分,在列车占用检查和地-车连续信息传输等方面发挥着重要作用。检测车定期巡检作为当前JTC故障诊断的重要手段,考虑到在实际运行中,其车头和列尾的轨道电路读取器（Track Circuit Reader,TCR）都可正常工作,感应各自所在处的轨道电路信号,并形成相应的车头数据和列尾数据,而由JTC和检测车的基本结构和工作原理可知,以上两种数据,在信号构成及强度等方面存在明显差异。基于这些差异,研究基于列尾数据的JTC故障诊断方法,用以提升检测车对JTC的故障诊断水平,具有重要的现实意义和研究价值。本文的主要研究工作如下:1.根据JTC与检测车列尾TCR设备的基本结构和工作原理,基于传输线理论,首次对列尾TCR感应电压幅值包络进行建模,并进行了影响因素分析。建立了列尾TCR感应电压幅值包络的四端网信息传输等效模型。基于所建模型,通过故障注入技术,分析道砟电阻、补偿电容、调谐单元及SVA等参数和设备对列尾数据的影响规律。2.提出了基于一维卷积神经网络（Convolutional Neural Network,CNN）的JTC故障诊断方法,实现对调谐区各设备组合故障的诊断和对道砟电阻的回归估计。基于以上影响因素的研究,分别构建了调谐区设备故障诊断卷积神经网络和道砟电阻回归估计卷积神经网络,构造了针对不同轨道电路载频、轨道长度和道砟电阻的网络训练集,进行相应的网络训练,提升所构建神经网络的通用性和准确率。3.基于以上故障诊断算法,设计并编写了相应的检测车列尾JTC故障诊断软件,并与检测车信号检测系统相集成。根据现场的应用需求,进行了软件的界面设计和功能设计,并对各功能模块进行了验证。实验结果表明,本文所提出的基于列尾数据的JTC调谐区设备和道砟电阻的故障诊断方法,具有较高的准确性,可以满足铁路现场的应用需求,同时也为基于检测车的JTC的故障诊断提供了新的思路。图64幅,表8个,参考文献51篇