铁路是我国重要的交通设施,是我国经济发展的大动脉。轮对作为机车关键走行部件,其故障严重威胁着铁路和城市轨道交通的运行安全,因此,研发实时、高精度、适应性强的轮对智能监测设备是非常重要的。由于轮对光条图像的采集是在室外动态进行,受到环境干扰等影响,图像中会出现光斑和局部断裂,因此,需要构建图像修复模型去除光斑修复断裂,还原图像中的光条纹理。目前,深度学习在如人脸、室外场景等RGB开放数据集上的图像修复效果显著,然而对于轮对激光光条图像（灰度图像）修复效果不理想,尤其是大光斑区域和局部断裂区域。此外,由于修复模型需要运行在嵌入式监测设备上,模型需要满足修复精度要求的同时达到轻量化。本文主要研究工作如下:（1）提出循环网络为主体的图像修复模型RSM-Net（Recurrent Similarity Mapping Network）修复轮对图像。该模型引入软编码Pconv层替换部分原始的Pconv层,强化特征学习能力,有效提升精度;设计非对称相似度模块,同时兼顾特征向量的角度差异和源特征向量响应值,更有效地将光条特征信息应用于未知区域的修复优化;设计含有多尺度结构相似性（MS-SSIM,Multi-Scale Structural Similarity）损失项的混合损失函数（绝对差异项、感知损失项、风格损失项、全变分损失项）,精确地引导轮对光条的结构信息还原,实现高精度的光条图像修复。（2）对RSM-Net和其他主流的图像修复模型（Pconv-Net,LBAM,RFR-Net等）进行了对比实验,实验证明本文提出的RSM-Net在轮对激光光条图像的小光斑区域、大光斑区域和断裂区域都能达到当前领先的精度水准。（3）优化RSM-Net,提出轻量化图像修复模型LRSM-Net（Lightweight Recurrent Similarity Mapping Network）。LRSM-Net采用线性映射卷积的轻量化方案,该方案能够尽可能地保留轮对图像核心特征并去除冗余特征,通过核心特征的线性转换扩充其他通道的特征,从而实现模型轻量化。（4）对RSM-Net模型、LRSM-Net模型、结合深度可分离卷积的轻量化模型进行对比实验,实验证明深度可分离卷积的轻量化模型与RSM-Net相比可减参80%左右,但修复精度损失严重;LRSM-Net与RSM-Net相比可减参50%,但修复精度损失很小。综合轻量化和精度,所提出的LRSM-Net最优。因此,本文提出的RSM-Net模型在轮对激光光条图像修复的任务上优于当前主流的其他模型;此外,所提出的LRSM-Net能够实现轻量化和精度综合最优,满足轮对监测设备的需求。