本文在分析城市轨道交通的发展现状和当前主要问题后,提出了一个基于深度学习的轨道交通牵引电机的综合监测平台的研究,同时为了响应国家的‘零碳’号召和环保需求,鉴于城市轨道交通中的永磁同步电气牵引系统的绿色、节能、高效等优点,故本文的轨道交通牵引电机的综合监测平台的研究对象选定为永磁同步电机,本文轨道交通牵引电机综合监测平台的监测对象分别为牵引电机的控制电路故障状态、牵引电机的轴承故障状态和牵引电机运行实时温度这三个部分。首先为了能对下文牵引电机的控制驱动电路故障监测提供一个有效的模型验证和具体的数据支撑,本文结合了轨道交通牵引电机的实际应用场景以及传统矢量控制方法的特点,提出了一个基于单神经元算法的双电机转速同步控制系统,该方法有效结合了单神经元的特性和矢量控制系统可控性。通过仿真实验证明,该方法比起传统的固定PI速度环的双电机同步矢量控制系统,整个电机控制系统的超调性大大降低和鲁棒性明显提高。然后根据本文所搭建的基于单神经元的电机同步矢量控制系统在matlab/Simulink仿真软件设置相应的控制电路故障,从而获取永磁同步电机在控制电路不同状态下的故障数据,再结合永磁同步电机控制电路中各个物理量的瞬变性和时序性特点,提出了一个基于LSTM算法的电机控制电路的故障监测模型,并进行了相关数据训练和测试,验证了该模型对牵引电机控制电路故障状态监测的有效性。接着根据所有牵引电机轴承故障的特点,分析了CNN卷积神经网络中各个网络的特性,提出了利用CNN卷积神经网络来对电机轴承状态进行监测。同时为了有效避免原始数据对CNN卷积神经网路的数据预处理中不必要的信息损耗,并实现‘端到端’高信息密度的电机轴承状态监测,本文提出了一个基于STFT和改进CNN卷积神经网络的电机轴承监测模型,并且采用了电机轴承故障领域内认可度较大的数据集进行了算法有效性验证,最后在随机选取的测试集终得预测准确性高达97.2%,有效证明了本文提出的基于短时傅里叶变换和卷积神经网络的电机轴承状态监测模型在电机轴承故障监测领域内的适用性。最后的组成部分,根据永磁同步电机在运行时的关键部位的温度变化特点以及传统等热效应方法无法对电机温度进行实时监测的局限性,本文结合异质集成学习算法的思想,针对电机在运行时温度难以实时监测的问题,提出了一个基于DAE＿GA＿Stacking算法的电机温度预测模型,首次将Stacking理念运用于电机监测领域,根据电机的机理特性采用了DAE算法进行数据降维后,进行了相关的实验尝试后和Spearman关联度分析后,分别选用了KNN、XGBoost、RF、GBDT这四个算法作为Stacking架构中的基学习器。在进行相同条件下的训练集和测试集划分验证后,对比了深度学习领域内常见的RNN和LSTM算法,与代表了同质集成学习的随机森林（RF）算法,结果有效证明了本文所提出基于DAE＿GA＿Stacking算法的测模型在电机运行温度实时监测领域内优越性和预测的准确性。