由于人为因素或自然灾害,异物侵入铁路限界的现象时有发生,对铁路运行安全构成潜在威胁,因此,实时监测线路周界安全,实现异物入侵的预警、报警和分类具有十分重要的意义。随着我国高速铁路的迅速发展,迫切需要一种识别准确率高、实时性好、性价比高的铁路异物检测技术。本论文针对既有高速铁路综合监控视频,研究基于深度神经网络的视频快速处理算法,利用迁移学习高效地实现了不同监控场景下处理算法的优化与异物准确检测的难题。论文首先针对高速铁路异物检测的需求特点,设计了基于深度信念网络和迁移学习的检测算法框架。然后利用铁路沿线相机采集的视频资源,对其进行样本图像的采集与存储,整理出各种列车、异物、天气、光线等条件下的典型样本,并进行异物标注以及灰度化、降采样等预处理操作,创建了包含80000个样本的海量图像数据库作为深度神经网络训练和测试的样本集。接着,以深度信念网络为算法架构研究设计预训练模型的结构和参数,最终确立了包括一个图像输入层,三个特征提取层和一个分类识别层在内的五层结构模型。利用单一相机的大训练样本集对此预训练模型进行训练,异物识别准确率可以达到99%。针对单一相机样本训练得到的预训练模型,研究可进行迁移的参数和结构进行选择,通过对比实验,找到迁移学习效果较好的权值参数将其提出来用到其他相机的训练和异物识别中去。测试结果表明,利用小训练样本,迁移后算法的异物识别准确率仍然可以达到99%。本文将迁移学习的方法引入到对铁路异物侵限进行检测的工作中,利用迁移学习可以通过领域或知识间的迁移解决新问题的能力去处理铁路视频监控中因场景变化和多相机协同合作所带来的检测速度慢、泛化性能差等异物检测问题,并结合深度神经网络算法提取出铁路异物样本中更本质的特征,使铁路沿线的监控相机间通过迁移学习后异物识别率更高。