为了对脱轨系数进行准确而高效的在线监测，基于长短时记忆（long short-term memory，简称LSTM）网络算法，对脱轨系数间接测量问题展开研究。首先，选取实测地铁车辆上易测得的物理信号作为输入，研究不同输入信号与脱轨系数的相关性；其次，建立网络模型的样本数据集并对脱轨系数划分相应标签，通过网络训练实现标签的准确划分；最后，筛选标签中脱轨系数临近安全限值的样本数据作为网络的输入，实现脱轨系数具体数值的间接测量，并在另一条试验线路上验证了该方法的有效性。研究结果表明：将轴箱横、垂向振动加速度信号、车体摇头角速度信号、一系悬挂垂向压缩位移量以及车辆运行速度全部作为网络输入信号，进行脱轨系数间接测量的效果最好；基于LSTM方法可以有效地对脱轨系数标签进行分类，且能够对危险区域内脱轨系数进行精确测量，满足实际线路上脱轨系数间接测量及评价的要求。该研究成果有助于地铁车辆长期运营时脱轨系数间接测量以及安全监测等。