随着高速铁路列车运营速度的不断提高,列车运行控制系统对列车定位精度提出了更高的要求.高速铁路列车采用应答器与里程计相结合的方式进行定位.每经过一个应答器,应答器对列车位置进行一次校正,定位误差为0m,但列车在相邻应答器之间的定位误差将随着列车的不断向前运行而逐渐增大.为减少应答器之间的定位误差,我们建立了基于最小二乘法(LSM)、基于支持向量机(SVM)和基于最小二乘支持向量机(LSSVM)的列车位置计算模型,并提出了相对应的在线学习策略.利用武广(武汉-广州)高速铁路列车的实际运行数据对所建立的列车位置计算模型进行了训练和验证.结果表明：1)与工程中常用的速度平均法(ASM)相比,所建立的3　种模型均能有效的减小定位误差；2)与ASM　相比,LSM　模型的误差百分比在训练和验证中分别减少了45.9％和53.9％；3)与LSM　模型相比,SVM　模型的误差百分比在训练和验证中分别更进一步的减少了38.8％和14.3％；4)除了运行时间外,SVM　模型与LSSVM　模型具有几乎相同的表现；5)所提出的在线学习策略能在原有模型的基础上进一步减小定位误差.因此,先进的计算方法可以提高高速列车的定位精度,或者在保持定位精度的情况下,大幅减少应答器的数量以降低成本.