随着铁路事业的飞速发展,高速列车运行的安全性问题已经成为全世界关注的焦点。列车的运行依赖于牵引力的发挥,但是轮轨之间的粘着水平却制约着牵引力的产生。粘着控制系统可以有效改善轮轨间的粘着水平,提高粘着利用率,但前提是需要获得准确实时的列车运行状态信息。高速列车系统庞大,运行工况复杂,粘着特性容易受到外界因素的影响,表现出强非线性、易突变的特点,所以在列车实际运行过程中轨面粘着系数、列车速度等关键状态并不能通过检测装置直接获得,因此本文采用非线性系统状态估计方法对高速列车粘着控制中关键状态估计问题进行了研究,主要包括以下内容:CKF算法是一种有效的非线性系统状态估计方法,但是对突变状态跟踪能力不强。因此针对轨面粘着系数易受外界环境影响,具有强非线性、容易发生突变的特点,本文将强跟踪理论与CKF算法相结合,设计了基于强跟踪CKF算法的轨面粘着系数估计方法。仿真结果表明:强跟踪CKF算法比传统CKF在系统状态突变时具有更好的动态性能、更强的跟踪能力和更高的估计精度。高速列车在实际运行过程中噪声往往是未知且时变的,但是传统的CKF算法要求噪声统计特性已知。为了克服噪声对高速列车车速估计问题的影响,本文将自适应算法与CKF算法相结合,设计了基于自适应CKF算法的高速列车车速估计方法。仿真结果表明:自适应CKF算法能够对噪声统计特性在线估计和修正,显著降低了噪声的影响,提高了算法的估计精度。高速列车系统庞大复杂,传感器众多,在运行过程中,每个轮对所处的轨面条件可能不同,采用单一传感器只能获得局部信息,容易造成局部数据偏差从而影响算法估计性能。所以本文研究了多传感器信息融合状态估计方法,建立了高速列车四轴动力学模型,设计了基于分布式CKF算法的高速列车车速估计方法。该方法通过融合多个轮速传感器处的局部估计信息得到全局一致解,可以有效的避免因采集局部数据造成估计精度降低的问题,提高了估计精度。