铁路扣件作为连接钢轨和轨枕的部件,是铁路运输安全的重要保障。通过计算机视觉技术检测扣件状态,具有十分重要的工程价值。扣件检测任务属于图像分类问题,目前常用的扣件检测算法流程为:由轨检车获取扣件图像后,根据图像的底层特征,将扣件分类为正常类别和失效类别。由于扣件姿态不一、道砟遮挡、光照变化、失效形式多样等因素,底层特征无法稳定的描述图像内容,导致分类结果与扣件图像的真实语义不同。图像底层特征与图像真实内容之间的语义鸿沟限制了扣件检测算法的准确性,本文提出了一种能表达扣件结构信息的特征语义学习方法。主要研究工作如下:(1)结合噪声估计的纹理特征提取算法(AT_NRLBP)。针对传统LBP算法对图像噪声敏感、NRLBP算法的固定阈值无法修正部分噪声编码的问题,结合噪声估计算法,提出了一种自适应阈值的NRLBP算法AT_NRLBP。本文分析了图像噪声强度与NRLBP编码阈值的相关性,AT_NRLBP算法将图像均匀分块后,对图像子块进行噪声估计,根据图像子块的噪声强度确定NRLBP的阈值,实现编码阈值的自适应选取。理论分析表明,本文算法通过图像子块的局部噪声估计确定编码阈值,可以消除全局噪声的影响,降低图像噪声对纹理特征编码的影响,更准确地提取图像的纹理特征。实验结果表明,本文算法在KTH-TIPS数据库上的分类准确率比NRLBP提高了2.9%。(2)结合全局和局部约束的扣件分类模型(glc-sLDA)。针对sLDA模型的测试图像缺乏人工标注,导致测试图像主题分布忽略扣件结构信息的问题,提出了一种结合全局和局部约束的扣件分类模型glc-sLDA。全局约束描述了测试图像的类别状态,局部约束表达了测试图像子块与训练图像子块的主题相似度。通过sLDA模型得到含有结构信息的训练集主题分布后,以全局约束和局部约束的乘积作为主题更新的权值,利用训练集图像的主题分布更新测试图像的主题分布。理论分析表明,本文算法的测试图像主题分布融入了扣件结构信息,能更真实的表达扣件结构形态。实验结果表明,本文模型生成的扣件标注图像与原始扣件图像的内容相似,能较好的表达扣件结构信息;与sLDA模型相比,本文算法对不同类别的扣件图像区分更明显,相同类别的扣件图像更相似;在扣件图像分类实验中,glc-sLDA的分类误检率比sLDA减少了55.6%。