我国高速铁路发展已经领先世界,铁路的日常检测是保障高铁正常运行的重中之重,随着轨检车的不断升级换代以及计算机视觉技术的快速发展,使用计算机视觉技术代替人工进行自动化检测的方法也不断发展完善,与传统的人工检测方法相比,基于计算机视觉技术的自动化检测方法的检测速度更快,效率更高。对轨道场景进行分类可以提升扣件检测及钢轨检测等轨道重要部分病害检测的性能,随着深度学习席卷全球的浪潮,深度学习成为了图像分类的首选方法,目前普遍使用的高性能神经网络对设备计算能力的需求高,训练的模型推理速度慢,很难做到实时检测;紧致型神经网络虽然对设备计算能力的需求低,训练的模型推理速度快,可以实现实时检测,但是性能却不能满足要求。轨道场景图像分无砟道岔、无砟正线、有砟道岔和有砟正线为四类,各类图片数量不均衡,而且类间差异较小。本文借鉴近几年最先进的卷积神经网络的设计思想,针对轨道场景分类任务类别少,类间差异小,类内差异大,图片一致性高的特征进行网络定制,设计了特征重用的深度可分离卷积网络Dwres Net以及带有注意力机制的残差网络Dw Attention Net。特征重用的深度可分离网络Dwres Net在识别准确率、推理速度、模型大小以及计算量上都优于大部分目前常用的高性能神经网络和紧致型神经网络,能够很好地解决轨道场景分类任务,但易将有咋正线图片错识别为有砟道岔;针对特征重用的深度可分离网络对有砟道岔图片识别率不高的问题,引入注意力机制,在增加较少计算量的情况下提升模型的性能,进一步提高了轨道场景分类任务的精度。为了验证本文方法的有效性,笔者采用相同的训练方法训练了十几个模型,包括常用的高性能神经网络VGG、Res Net、Efficient Net和紧致型神经网络Mobile Net V1、Mobile Net V2、Mobile Net V3和Shuffle Net V2等模型。实验结果表明,与目前常用神经网络相比,Dwres Net的推理速度快于所以的神经网络,性能优于紧致型神经网络和部分高性能神经网络,Dw Attention Net的推理速度与常用的紧致型神经网络的推理速度相当,性能优于高性能神经网络。