在铁路智能化高速发展的当今时代,铁路智能运维系统的建设可以进一步提升铁路技术核心竞争力、降低铁路运维成本,对推动我国经济发展有着深远影响。铁路智能运维系统依照“平台+应用”模式将各设备监测数据汇聚与融合,便于后续数据应用。由于汇聚的设备监测数据存在数据来源复杂、语义不一、易产生冲突等问题。因此,当务之急是如何有效解决铁路智能运维系统中多源异构数据融问题。本文针对铁路智能运维系统下底层监测数据融合度不够的问题,以铁路智能运维系统中信号集中监测数据为主要研究对象,分析了各监测设备的特征,对数据监测进行了特征属性抽取,完成了实验数据转化,建立了监测数据属性特征与数据融合决策间的对应关系。在深入研究数据融合算法的基础之上,提出了基于D-S证据理论数据融合模型和基于粗糙集理论算法数据融合模型应用于铁路智能运维系统之上,提升系统的智能决策能力。本文的主要研究内容如下:（1）构建铁路多源异构数据融合框架。当前铁路多源异构数据融合和智能维护决策框架整体设计还没有统一的标准,本文通过研究分析铁路智能运维系统中各设备检测数据的特点,提出一种新的铁路多源异构数据融合框架设计方案,在该框架中加入底层数据融合机制,完成底层数据间融合,为后续智能化决策提供了强大的数据支撑。（2）融合模型的建立。通过数据融合算法的深度学习研究,解决底层数据间融合度不够的最有效方法就是,提升数据质量,确保多源异构数据之间形成数据共享和重用。为此,本文提出了D-S证据理论融合模型和粗糙集数据融合模型。其中,D-S证据理论融合模型是通过D-S证据理论的过滤,确保了底层数据质量的提升,形成有效的规则组合,缩小规则间冲突。粗糙集数据融合模型通过改进粒子群优化算法的粗糙集属性约简方法对各设备底层数据进行优化。（3）实验验证及分析。通过某段铁路信号监测数据测试,分别对两种数据融合模型进行了实验验证和分析。实验结果证明,D-S证据理论融合模型和粗糙集数据融合模型均有良好的适用性和可扩展性,对底层数据最大程度利用化,在算法实时性和故障诊断准确率方面均有提升。对比结果分析,在一定规模数据集下,D-S证据理论下的数据融合模型采用故障分级思想,对后续智能决策提供了更加有效的决策指标,算法平均延迟时间较粗糙集数据融合模型低。而粗糙集数据融合模型则加大了对底层数据属性约简,将数据冗余度进行了有效降低,使得决策准确度较D-S证据理论数据融合模型高,两种融合模型各有优势。