在列车循环荷载与严峻环境作用下，高速铁路和城市轨道交通轨道结构多层体系中的连接层容易出现脱空等隐蔽病害，威胁列车运行的安全与平稳。传统接触式检测方法存在效率低、布点困难、干扰运营等瓶颈，难以满足高频次、快速化与智能化的运维需求。为此，本研究聚焦于轨道板在动载激励下的声辐射与振动响应，结合物理试验、数值仿真与人工智能技术，提出并验证了一套适用于强背景噪声和真实运营场景的轨道板状态智能感知与识别方法体系。

        首先，基于32米高速铁路简支箱梁构建缩尺试验模型，开展不同锤击位置与测点布置下的试验。通过对比分析无损状态与板边、板端、板中、板角等典型脱空工况下的加速度与声压信号时频特征，揭示了脱空引起结构动力特性变化进而影响声辐射的机理，从试验角度验证了声学信号用于轨道板状态识别的可行性，并评估了激励与传感策略对信号敏感度的影响。

         针对现场声信号信噪比低的问题，提出“联合降噪+时频特征提取+轻量级深度学习”集成方案。该方案采用一种联合降噪策略，以受噪声影响较小的加速度信号为引导，结合谱减法与小波包分解重构对原始声信号进行净化；进而利用连续小波变换（CWT）提取二维时频图作为特征，输入轻量级卷积神经网络SqueezeNet，实现了五类工况的高精度分类识别。进一步，提出名为“加速度引导的声音信号降噪框架（AG-ASDF）”的智能算法。该算法基于快速离散小波变换与降噪稀疏小波网络，利用较洁净的加速度信号引导并学习对同源声音信号的降噪与特征自动提取。

       针对仿真与实测数据间的分布差异，提出“智能滤波器辅助的领域对抗神经网络（SFDANN）”这一无监督领域自适应算法。该算法融合可学习的小波包变换与领域对抗训练，无需现场标签即可对齐仿真与实测域的数据分布，从而将含标签仿真数据中的知识有效迁移至无标签实测数据，在振动与声信号上均表现出优于同类算法的识别性能。