列车自动驾驶系统不仅能够减轻司机的工作负荷对列车实现自动驾驶，而且能够在保证列车安全运行的基础上提高列车的各项性能指标，因而列车自动驾驶系统已成为目前研究的热门课题。传统PID算法只是对线性系统效果较好，且不具备自适应性，而列车运行过程是具有复杂、多目标、非线性等特点，精确的数学模型很难被建立，因此如果将基于传统PID算法的列车自动驾驶系统应用于真实的线路上，当受到线路和环境等诸多因素的影响时，控制效果将很难达到令人满意的结果。而GA(Genetic Algorithm,遗传算法)模糊神经网络算法是将模糊推理与神经网络相结合并由遗传算法来学习BP神经网络的权值。这样不仅使这三种算法在知识获取、推理方法、学习能力方面得到互补，而且又发挥了神经网络广泛的映射能力并具有快速收敛以及增强式学习能力。此种算法不仅在控制对象的过程中提高了系统的控制精度而且降低了误差，还对被控制对象模型的精确度要求不高。因而本文将GA模糊神经网络算法应用于列车自动驾驶系统中，将线路等因素对列车运行的影响用模糊控制量的补偿作用来抵消，仿真结果表明将GA模糊神经网络算法应用于列车自动驾驶系统中能够取得较好的控制效果。本文首先对列车自动驾驶系统的背景、意义和国内外研究现状进行了总结，接着介绍了列车自动驾驶系统的结构、功能以及五个性能指标，并且研究了列车自动驾驶的策略；其次，介绍了列车运动模型和线路模型并由此生成了一条列车运行的目标曲线，接着详细的学习了GA模糊神经网络算法，并在此基础上设计了基于GA模糊神经网络算法的速度控制器；最后，在MATLAB仿真软件的平台上，分别对基于传统PID算法和GA模糊神经网络算法的速度控制器的控制效果进行仿真，对比仿真结果可知，基于GA模糊神经网络算法的速度控制器的控制效果要明显优于传统的PID算法，由此证明了在列车自动驾驶系统中引入GA模糊神经网络算法的可行性、有效性和优越性。