随着我国铁路快速发展,运营里程不断提高,高速铁路的运营安全问题愈发受到重视。而由于铁路沿线基础防护措施不健全,导致异物入侵事件常有发生,严重威胁国家财产及人民生命安全。因此,实现准确、及时地铁路异物入侵检测十分必要。现有的异物入侵检测方法在抗干扰能力或检测精度等方面存在缺陷,故本文提出了一种基于深度学习理论的铁路异物入侵检测方法,旨在及时预报安全隐患,提高列车运营的安全水平。铁路场景中入侵异物多为小目标,而现有深度学习算法对小目标检测能力不足,无法满足铁路领域异物入侵检测的要求。为解决该问题,本文提出了特征融合增强网络（FFE-Net）架构,包括锚框过滤模块（AFM）、特征融合增强模块（FFE）和细化检测模块（RDM）三部分。其中,FFE可有效增强小目标及纵横比较大目标的检测效果,AFM和RDM通过级联回归的方式解决网络训练过程中正负样本不平衡的问题。除了网络架构,训练策略也对FFE-Net的检测性能有着重要影响。本文对训练策略的改进主要包括两部分:一是针对传统锚框匹配算法在正负样本分类上的不足,提出了更加符合FFE-Net级联回归特性的高质量锚框选取策略（HASS）,为锚框的正负样本划分提供了新的标准;二是为了提高网络的定位精度和训练的稳定性,融合DIo U Loss和Smooth L1 Loss,设计了一种基于极大似然估计的加权融合定位损失函数（WFLL）,该方法为目标检测网络训练时多损失函数的加权融合提供了新的思路。FFE-Net是针对视频单帧图像的检测算法,所以在对视频连续帧进行检测时会产生重复告警问题。为解决该问题,本文设计了基于Deep Sort框架的重告警过滤算法,该算法可通过衡量不同帧图像中检出目标的相关性,来判别检出目标是否为同一目标,并以此决策是否发送新的告警。通过采集铁路现场的视频图像,本文构建了包含空场景图像、行人入侵图像和列车驶入图像的铁路异物入侵样本数据库。在该数据集上的实验结果表明,当输入图像分辨率为320×320时,在Ge Force GTX Titan X上,FFE-Net实现了88.55%m AP和26 FPS的检测性能,能够满足铁路异物入侵检测的应用需要,而重告警过滤算法也通过行人侵限视频的验证,展现出了较好的实时性和鲁棒性,可以满足铁路现场的实际使用需求。