机车信号设备作为列车运行控制系统的重要组成部分,在保障行车安全方面起着重要的作用。随着高速和重载铁路的发展,电磁干扰愈发严重,机车类型更加多样,在特定骚扰环境下,传统的滤波方式不能快速有效滤除有用信号频带内的噪声,现有的机车信号解码方法已难以满足需求。在此背景下,本文基于机车信号的时域频域特点及干扰耦合方式,结合深度学习技术,提出了基于优化的去噪卷积神经网络（Denoising Convolutional Neural Network,Dn CNN）和深度置信网络（Deep Belief Network,DBN）的机车信号抗干扰解码方法。论文主要研究内容如下:（1）本文根据机车信号结构和工作原理,对机车信号传输机理及车地传输信息特征分析;考虑机车信号受扰因素和耦合机理,分析铁路现场中较为常见的不平衡牵引电流干扰和邻线干扰的耦合途径;通过对现场受扰信号分析,提出机车信号抗干扰解码方法。（2）本文根据特定骚扰和FSK（Frequency Shift Keying）信号时域与频域的特点,重点研究抑制干扰的适当方法,并针对干扰的特点构建三类含噪信号数据集。由于机车信号作为时序信息,具有内在关联性,采用卷积神经网络对时域信号进行端到端去噪,降低骚扰的幅度,提高信号的信噪比（Signal to Noise Ratio,SNR）,针对Dn CNN进行改进,应用于机车信号带内降噪,并采用多尺度并行可分离卷积代替标准卷积,在保证神经网络的降噪性能基础上减少神经网络运行时间,仿真结果和实测数据验证表明,提升信噪比最高能达到15d B。（3）本文中对于经过降噪处理后的信号,基于其信号频谱的高对称性,提取频谱特征向量,将低频解码问题转化为分类问题,利用深度置信网络提取FSK信号低频特征,设计并实现了深度置信网络FSK信号解码框架,利用粒子群算法（Particle Swarm Optimization,PSO）对DBN中的隐藏层层数和节点数寻优,与原始DBN相比,提高了FSK信号的抗干扰解码精度。仿真及实测数据验证表明,论文提出的方法具有较强的普适性,能更清晰准确地提取频移键控机车信号的特征频率,有效提高机车信号解码精度,为在高速和重载条件下提高机车信号抗电磁干扰能力提供了参考,具有一定工程应用价值。