钢轨超声探伤是铁路运维的重要手段,伤损识别准确率的高低直接影响铁路运输系统的安全。钢轨伤损检测识别与分类是钢轨探伤系统的关键技术,目前大多数研究均以钢轨轨头核伤、轨腰裂纹或者轨底贯穿孔等钢轨局部伤损为研究对象,没有系统的对整个钢轨的典型伤损进行分类识别研究。本文采用粒子群优化最小二乘支持向量机技术建立了 7种典型钢轨伤损分类模型,并利用小波与主成分分析相结合的方式对超声传感器阵列数据进行了特征提取,实现了对钢轨伤损的准确识别。首先,采用高斯数学建模技术对钢轨的超声回波信号建立了数学模型,采用控制变量法的思想对小波基函数、小波分解层数及阈值规则进行实验对比,根据输出信噪比和均方根误差作为评价指标确定了以Sym8为小波基函数、5层分解及rigrsure阈值规则对超声回波信号进行小波分解及去噪处理。其次,对经过小波分解及去噪后的信号采用主成分分析进行了特征值提取,最终确定了 6组能够表征钢轨各类伤损的特征值。最后,采用最小二乘支持向量机建立了钢轨伤损的分类模型,并采用改进的粒子群算法对分类模型进行参数优化,实现了7种钢轨典型伤损类型的准确分类,仿真实验结果表明7种分类模型的识别与分类准确度均达到92%以上。为了验证本实验结果的有效性,在实验室环境下搭建了钢轨伤损检测系统,且平台使用GTS-60SG标准试块为钢轨各伤损类型提供伤损数据,采用靴式探头采集了 7种钢轨伤损数据对分类模型进行实验验证,实验结果表明模型的分类准确度可达90%以上。经过仿真实验和实测结果的验证,本文采用的方法为钢轨伤损的准确识别,特别是轨头伤损识别提供了一个更加有效手段,具有较强的研究意义和实用价值。