El sistema de puertas deslizantes de enchufe del metro es crucial para garantizar el funcionamiento normal. Debido a las diferencias en la estructura y los procedimientos de control del motor de los diferentes sistemas de puertas deslizantes, las curvas de datos de monitoreo de la velocidad de rotación muestran grandes diferencias. Es un problema desafiante reconocer los intervalos de curvas de datos complejas, lo que afecta fundamentalmente la sensibilidad de la extracción de características y la predicción de un modelo de evaluación. Con el objetivo de abordar este problema, se propone un método de evaluación adaptativa del estado de salud del sistema de puertas deslizantes del metro basado en el reconocimiento inteligente de intervalos de la curva de datos de operación de velocidad de rotación. En el método propuesto, primero, la curva de datos de operación de velocidad de rotación se divide adaptativamente mediante una red neuronal de memoria a largo y corto plazo (LSTM) en cuatro intervalos, de acuerdo con las características de movimiento del sistema de puertas. En segundo lugar, las características sensibles del sistema de puertas se seleccionan mediante el algoritmo de bosque aleatorio (RF). Finalmente, el estado de salud del sistema de puertas se evalúa utilizando el clasificador de aumento adaptativo (AdaBoost). El método propuesto se verifica de manera integral mediante el conjunto de datos del experimento de referencia. Los resultados muestran que la precisión diagnóstica promedio del método en múltiples puertas de banco puede alcanzar el 98.15%. El mayor alcance de aplicación y la mayor precisión en la clasificación del estado indican que el método propuesto tiene un importante valor ingenieril y un significado teórico para la gestión de la salud de los sistemas de puertas deslizantes del metro.