近年来我国高速铁路取得了快速发展,目前高铁营业总里程已达2.5万公里,位居世界第一。轨道结构是引导并支撑高速列车平稳安全运行的重要结构基础,铁路扣件是保证钢轨与轨枕可靠联结的关键部件,其可阻止列车荷载作用下钢轨相对于轨枕的移动,缓解列车通过时列车对轨道的冲击作用,从而保证轨道结构整体稳定性。然而,随着铁路运营服役时间的延长,扣件的初始缺陷在高频列车荷载与复杂环境耦合作用下快速发展,扣件出现弹条松脱、弹条折断等缺陷的频率明显增加,这将导致轨道工作状态不良,严重时可能危及列车的运行安全。传统的轨道检测方式是在天窗维修时间人工进行巡道检查,但该方式检测成本高、效率低。随着无损检测技术的快速发展,基于计算机视觉和数字图像处理的非接触式检测技术逐渐应用于铁路检测领域,车载铁路扣件自动化检测系统的研究应用将极大地提升铁路轨道缺陷检测的工作效率,为列车安全快速运营提供有力保障。在总结国内外扣件检测研究进展的基础上,本论文从车载铁路扣件信息采集系统、扣件区域定位、弹条图像分割、高稳定性图像特征提取以及扣件图像分类识别等方面综合考虑,以期研发出一套高稳定性、高准确率的铁路扣件缺陷检测系统,为铁路养护部门提供强有力的技术支持。本文主要研究成果简述如下:1.针对二维扣件图像数据质量不佳的情况,研发了基于三维激光成像原理的铁路扣件图像采集系统,实现了采集高质量的三维扣件图像,为后续工作提供良好的数据基础。为满足快速存储三维图像的需求,提出了基于JPEG方法进行改进的数据压缩算法,实现了可处理任意深度的轨道三维图像数据。2.基于获得的三维图像提出了一种利用先验知识验证的扣件区域定位分割方法,并进一步提出了弹条分割算法,最后基于正常弹条子图像提出了创建扣件断裂负样本的方法,解决了扣件检测中正负样本数量不平衡的难题。实验测试表明,扣件定位分割方法能够准确地提取出扣件区域图像,弹条提取算法可较精准地分割弹条子图像。3.结合弹条三维图像的特性提出了一种基于HOHG和SVM检测弹条缺失、弹条正常、弹条上侧断裂、弹条下侧断裂以及弹条双侧断裂五种扣件缺陷的识别算法。由于室内CRTSⅢ型板式无砟轨道试验段长度较短,采用重复采集图像的方式增加样本图像数量,并通过计算平均特征距离的方式验证重复采集数据的有效性。最后,利用两种轨道结构的弹条图像数据库分别测试算法的识别效果。实验结果表明,结合HOHG特征和SVM的检测算法准确率可以达到98.5%。4.针对在扣件图像检测识别中人工手动选取特征描述符提取的特征检测识别效果不佳的难题,将深度学习的概念引入到扣件缺陷检测识别研究中,提出了基于卷积神经网络的扣件缺陷检测算法。该算法首先建立了用于识别弹条正常、弹条上侧断裂、弹条下侧断裂、弹条两侧断裂四种状态的卷积神经网络模型,并对网络结构进行一定的优化从而减小模型训练的时间成本。然后讨论了模型中学习率和批量训练数量两个参数对模型误差收敛速度的影响,从而确定最佳的参数值。最后,利用80000张弹条子图像进行训练,并用测试集测试该算法的检测识别效果。实验结果不仅表明基于卷积神经网络的扣件缺陷检测算法能完全准确地分类识别铁路扣件的缺陷,还证明了该算法对其他种类的弹条型铁路扣件具有一定的普适性。