近年来,随着我国铁路事业的快速发展,安全高效的铁路运输对百姓生活及社会发展的重要保障作用日益显现,铁路运营的安全性获得广泛关注。道岔是关键的铁路信号设备,也是铁路线路三大薄弱环节之一,其状态直接影响列车的运行安全。现行的道岔故障检测方法为人工将信号集中监测系统中采集的道岔动作电流曲线与专家标定的典型动作电流曲线对比。这一方法严重依赖人工经验且效率较低,难以应对现有铁路运行中行车速度快、发车密度高对道岔维护所带来的严峻挑战。本文针对道岔故障检测过度依赖人工且效率低下的问题,提出了基于混合深度学习的道岔故障检测方法。该方法充分发挥深度学习自动特征提取优势及传统机器学习计算代价小的特点,对道岔故障检测过程中特征提取依赖人工经验及大量无标签数据难以人工标注的问题进行解决,将铁路工人从繁琐的道岔动作电流曲线识别工作中解放出来。本文基于少量有标签数据及大量无标签数据进行道岔故障检测技术研究,具体工作如下:(1)道岔控制电路建模及正常动作电流曲线分析。首先,对道岔控制电路主要模块进行仿真及功能验证;随后,对道岔控制电路进行整体建模,输出正常动作电流曲线;最后,对道岔正常动作电流曲线进行分析,归纳道岔正常电流曲线特征。(2)基于有标签数据的道岔故障检测。本章提出混合了深度降噪自编码器及支持向量机的基于混合深度学习的道岔有标签故障检测方法。首先,充分发挥深度学习对道岔动作电流曲线的自动特征提取能力,使动作电流曲线特征提取及特征选择过程摆脱人工经验的束缚;随后,利用支持向量机对道岔特征数据进行故障检测,验证了特征数据对于道岔故障检测的有效性。(3)基于无标签数据的道岔故障检测。本章提出混合了深度降噪自编码器、聚类算法及支持向量机的基于混合深度学习的道岔无标签故障检测方法。首先,进行基于深度学习的特征提取及聚类;随后,根据专家知识提出新的损失函数,实现道岔正常数据的自动化选取;最后,仅使用正常数据进行道岔故障检测。(4)道岔故障检测原型系统设计。基于新型电动液压转辙机实验平台,进行了道岔故障检测原型设计。针对道岔故障检测过程稀有故障难以检测问题,提出道岔故障检测改进算法,在该算法的基础上进一步设计了道岔故障检测原型系统,并对该系统进行了实际测试平台验证。本文针对现行道岔故障检测严重依赖人工经验且效率较低的问题,设计了使用有标签数据及无标签数据的基于混合深度学习的道岔故障检测算法。该算法将铁路道岔运维工人从过去依靠铁路信号集中监测系统一一查看比对道岔动作电流曲线的繁复工作中解放出来,节省大量的人力及物力资源。