随着高速铁路行车密度增加、运行速度提高以及重载货运线路载重增加,钢轨的负荷、受到挤压及冲击程度增大,钢轨故障和伤损发生的概率增大,钢轨的伤损类型和失效模式也在发生变化,进而对传统钢轨检测和检测技术带来了挑战,因此铁路钢轨缺陷伤损检测对铁路基础设施的保障维护具有重要意义。机器视觉技术具有非接触、速度快、精度高、抗干扰性强等优点,已被广泛应用于钢轨表面缺陷检测中,文中对钢轨缺陷的视觉技术展开研究,提出了基于改进马尔可夫随机场的钢轨缺陷分割方法。论文首先结合钢轨缺陷分割的目标,设计了钢轨缺陷分割系统的总体方案,对图像采集模块的成像系统、照明系统、运动平台等进行了硬件选型,完成了高质量的图像采集。根据基于机器视觉的钢轨表面缺陷检测系统的要求,给出了钢轨缺陷检测算法的基本流程。其次,利用改进的BM3D算法对采集的钢轨图像进行去燥,消除了钢轨图像获取过程中的原始噪声。分析了钢轨图像各区域灰度特征,利用轨面区域和非轨区域灰度的差异特点,提出了基于垂直投影的钢轨区域提取算法,实现了钢轨区域的提取。然后,通过研究图像灰度分布特征,结合背景差分法对图像灰度进行预处理,以保持图像灰度基本一致,增强缺陷特征。结合真实钢轨图像对滤波算法,钢轨区域提取算法,灰度处理算法进行了实验,完成了图像分割前的图像预处理工作。论文对模糊集理论和马尔可夫随机场理论进行分析,在此基础上提出了改进马尔可夫钢轨缺陷分割方法,通过对模糊if-then规则的前提部分采用马尔可夫随机场来利用图像中的空间约束,而结果部分则指定像素距离图,利用马尔可夫随机场分割的边缘定位准确,提高对噪声抑制的鲁棒性,减小误分类现象。最后,建立了 FCM、GMM和改进马尔可夫算法的分割对比实验,并比较三种方法对不同钢轨缺陷类型的分割性能指标,及加入不同等级的噪声后三种方法对噪声的鲁棒性实验,实验结果表明:改进马尔可夫随机场的钢轨缺陷分割方法相较于其它两种方法,分割准确有效且对噪声的鲁棒性最佳。