基于阈值法和最佳黏着点搜索法的列车黏着控制策略，易受到线路复杂运行条件的影响，难以避免宏观空转的发生。为了对空转实现有效预警，首先对列车行驶数据利用滑动窗口进行样本划分并分类标注，提取时频域特征并进行信息冗余分析，然后通过改进学习因子的PSO算法搜索最优样本划分参数和LSTM隐藏神经元数量，最后利用改进的PSO-LSTM神经网络搭建列车轮轨黏着状态的分类模型，对运行中轮轨实时黏着状态进行分类。实例验证表明，该模型对临界黏着状态进行识别的精确率为95.29%,敏感度为92.57%,相比传统组合阈值法能实现在空转前约0.5 s进行预警，可有效辅助列车及时进行黏着控制。