高速铁路是我国综合交通运输体系的骨干，其轨道质量关系着列车稳定运营和旅客人身安全，因此对铁道钢轨的健康状况进行定期检查和长期维护是毋庸置疑。然而，传统的人工巡检和接触式测量技术仍被用于监测损伤故障，存在误判漏判、缓慢低效、主观臆断问题，无法满足当今先进铁路系统的需求。现有技术面临的挑战包括了早期检测、可靠性和系统成本，在当前铁道运营专线建设的大背景下，研究钢轨表面缺陷的自动视觉检测技术更加具有现实意义。鉴于此，本论文对基于深度学习的高铁钢轨表面缺陷检测技术进行了深入且系统的研究分析。
　　首先阐述了我国高速铁路建设与发展的国家战略和民生福祉意义；指出了研发轨道表面缺陷视觉检测的重要性和必要性。具体介绍了国内外的研究现状及相关文献，并且分析了钢轨表面缺陷检测的工程难题与挑战。本论文围绕所面临的挑战开展了深入的研究，主要研究内容如下：
　　1.针对任务需求和工作环境，自主搭建了基于机器视觉的轨面检测硬件平台，重点讨论了光源照明、成像方案、相机视场、光学镜头的功能参数和性能指标，为本论文后续提出的检测方法奠定了图像采集的基础。
　　2.多模态并行融合的钢轨表面缺陷检测系统DM-RIS。首先概述了技术路线，FRGMM执行预分割以获取全局范围的分割提议，同时FasterR-CNN执行目标定位以搜索缺陷位置，最终的联合击中即为真实缺陷。其次介绍了关键算法，FRGMM融合相邻像素之间的空间信息到基于马尔可夫随机场的改进高斯混合模型，实现精确快速的缺陷分割；并且期望极大(EM)算法满足模型后验分布的直接求解；为排除非缺陷物体，利用K-means算法进行维度聚类的改进FasterR-CNN定位出反射率不等、噪声弥散、锈蚀油污背景中的目标范围，最终联合击中对象即为真实缺陷。
　　3.基于残差金字塔池化和水平集的缺陷检测系统RVDS。提出了多阶段级联的铁路图像处理流程，即“区域提取-背景均衡-去噪-分割”。首先利用了基于灰度垂直投影的ROI提取算法获取高分辨率的感兴趣钢轨区域；基于光照不均匀性和反射特征进行背景的均衡增强。其次将变分模型的正则项作为曲率滤波器进行快速图像去噪。最后，提出了基于残差金字塔池化全卷积网络(RPPNet)和Legendre水平集的分割算法，融入不同尺度的残差连接和金字塔池化到FCN框架，利用残差学习搭建了深度提取层，而金字塔池化扩展了感受野范围，实现由粗到精获取缺陷轮廓。
　　4.基于贝叶斯CNN和注意力机制的检测系统DeepRail。依托经典模型Deeplabv3+的骨架网络Xception，增加Dropout层实现搭建概率模型和由后验分布随机生成MonteCarlo样本；空洞空间金字塔池化(ASPP)扩展了多尺度、多速率的感受野范围，同时多级上采样的解码器细化分割物体边界，最终输出Softmax概率均值和方差作为分割预测和置信度。此外，针对长尾数据问题，提出了注意力机制LAN获取加权系数以均衡前景类与背景类的损失分量，优化分割模型的参数学习和减弱原始任务的难度，从而快速匹配最优权重和精确预测。