城轨列车的精确定位,是实现列车自动驾驶、优化调度、安全监控等技术的重要前提。不论是节约能耗,还是安全保障,都与高精度的列车定位息息相关。因此,在满足安全约束条件下,如何尽可能地提高城轨列车定位精度,同时避免更昂贵的建设成本是目前的技术难点之一。本文在此场景下,提出一种基于深度学习和迁移学习的城轨列车定位新方法。本文的主要工作如下:（1）基于深度学习的城轨列车定位方法。针对使用轮轴速度传感器实现列车定位时存在空转、打滑以及车轮磨损等因素导致的误差问题,提出一种基于量子粒子群算法（QPSO）优化集成深度置信网络（DBN）的城轨列车定位模型,具体实现过程为:1)利用皮尔逊相关性分析对提取出的特征作去冗余处理,同时基于DBN强大的特征映射和数据挖掘能力,将其作为列车定位的基础模型;2)针对DBN模型层数过深时存在的梯度爆炸、消失以及泛化能力不强等问题,使用Stacking算法集成两个DBN模型;3)针对复杂深度模型确定拓扑结构（模型的隐层数及隐层单元数）需要大量人工实验的问题,将QPSO算法引入DBN集成模型的拓扑结构确定过程,对其拓扑结构进行动态优化,实现模型结构参数自动设置,进一步提升列车定位模型的性能。对比实验表明,本文提出的QPSO-DBN集成模型的方法有效提高了定位精度。（2）基于迁移学习的城轨列车定位方法。为了降低同一线路临时限速、跨线路场景对定位模型性能表现的影响,提出了基于深度迁移学习的城轨列车定位方法。通过对已有网络模型在同一线路临时限速、跨线路场景下定位精度的分析,可以发现所使用数据满足迁移学习的前提条件且网络模型具备一定的泛化能力。在此基础上,提出了基于模型迁移和特征映射的城轨列车定位方法以及若干迁移方案,并通过实验对比确定了最终迁移方案。实验结果表明,该迁移模型在不同定位场景下均满足城轨列车定位相关标准的精度要求,验证了迁移学习方法在城轨列车定位场景下的有效性,提升了定位模型的泛化性能。