高速铁路的蓬勃发展不仅极大地改善了我国的交通运输状态,而且活跃了国家经济活动,促进了工农业生产的发展和国民生活水平的提高,产生了巨大的社会效益。在保障高速铁路正常运营过程中,铁路轨检车的定期巡检为保障行车安全、平稳、舒适和指导轨道养护维修提供了重要支撑。与此同时,也积攒了大量的轨道动态检测数据,对其深度挖掘的研究还处于起步阶段,面临的关键挑战之一就是如何检测设备故障或潜在的轨道病害导致的一些铁路轨道几何异常。针对这一挑战,本文从轨道交通与深度学习交叉融合的角度,开展基于轨道动态检测数据的高速铁路轨道几何异常状态检测方法研究,具体研究内容如下:（1）针对轨道动态检测数据存在噪声,数据无标签和样本规模不均衡的问题,提出了基于注意力自编码器的轨道几何异常状态检测算法。首先,基于稀疏降噪自编码器构建轨道几何异常状态检测模型。模型分为编码器和解码器两部分,其中编码器将数据映射到特征空间,解码器将编码结果还原为原始数据。在此过程中,通过在编码器中加入里程注意力模块与属性注意力模块提取数据的长期趋势以及属性间相关性信息。之后,训练模型并将待检数据输入训练好的模型中进行数据重构。最后,利用待检数据的重构误差作为异常得分标定异常。实验结果表明,在轨道几何异常状态检测任务上,本文提出的算法优于其他异常检测算法。（2）针对轨道几何异常状态数据样本规模小、数据序列特征难以提取的问题,提出了基于半监督学习的轨道几何异常状态分类算法。首先,使用里程注意力模块与属性注意力模块提取轨道几何异常状态的相关特征。之后,利用多层全连接网络对提取到的特征进行压缩融合。最后,将压缩后的特征输入分类器实现对轨道几何异常状态的分类。此外,本文通过引入无标签数据的一致性正则化损失,以半监督的学习方式对模型进行训练,从而防止模型过度拟合。对比实验结果表明,与目前现有的时间序列分类模型相比,本文提出的模型在轨道几何异常状态分类任务上的准确率提升了 7%以上。