随着轨道交通行业高速化与重载化的发展,列车运行安全问题广受关注。列车轮对踏面作为走行部中直接与钢轨表面接触的部分,其产生缺陷后将给列车运行带来安全隐患。因此,对踏面状态的准确判定是铁路事业稳定发展的基本保障。论文主要利用图像处理与卷积神经网络相结合的方法,实现了对轮对踏面缺陷的分类与识别。主要研究内容为以下几个方面:（1）轮对踏面图像预处理。采用加权平均值法、双边滤波、幂律变换依次对原始轮对踏面图像进行预处理。经上述算法处理之后的图像获得了较高的峰值信噪比（PSNR）和较低的均方差（MSE）,处理后的图像质量能够满足处理要求。（2）踏面边缘检测及精分割。提出一种改进Canny边缘检测算法,从仿真结果来看,改进算法在边缘连续性、噪声滤除方面明显优于传统算法。采用最小二乘法拟合边缘线,根据拟合线实现了对踏面区域的精分割。（3）踏面缺陷区域定位及缺陷纹理特征提取。提出一种基于分块局部阈值二值化分割方法,为了获取较好的连通区域,对二值化图像进行数学形态学运算,再用最小外接矩形对所有连通区域进行标注。通过对缺陷的数学特征筛选,最终得到可疑踏面缺陷区域;采用灰度-梯度共生矩阵描述踏面纹理特征,并提取出15个纹理特征量。（4）轮对踏面缺陷的分类与识别。依据所提取的踏面纹理特征量,选取纹理特征量中的小梯度优势、能量、惯性三个特征量,采用K-means聚类方法对轮对踏面四种类型进行聚类,经仿真试验结果表明,对各类踏面类型的分类效果均达到95%以上。提出一种改进的Alex-Net卷积神经网络方法对轮对踏面缺陷进行识别,最终对踏面缺陷的识别率达94.1%。