铁路作为重要的基础设施,是交通运输的大动脉。随着电气化铁路的高速发展,接触网线路安全稳定运行的要求也随之提高。在列车运行过程中,侵入接触网线路的异物、接触网支架上的鸟巢如果不及时处理会引发严重的交通事故。目前采用人工巡检的方法进行接触网异物检测,存在成本高、效率低等缺点。为了提高检测性能,本文提出基于深度学习的接触网异物目标检测方法。主要内容如下:（1）阐述了图像处理相关的理论基础,通过对传统目标检测方法和基于深度学习的目标检测方法进行对比分析,最终选择学习能力强、挖掘数据特征能力强、检测耗时较短的基于深度学习的目标检测方法。（2）为了显著提高铁路接触网异物检测的自动化程度,提高模型的普遍适应性,针对不同复杂环境下的图片样本较少的问题,制作本文所需的数据集。通过现场拍摄、网络视频获取不同环境下的图片,并对图片进行扩增预处理。通过图像旋转、镜像、加入噪声和光亮校正等方法对图像进行扩增,并对扩增后的2240张图片进行标注,制作本文所需的VOC数据集。（3）针对铁路接触网异物检测过程中巡检速度慢、检测精度低的问题,开展了接触网异物目标检测的建模研究。详细介绍五种典型的目标检测模型,其中包括Fast R-CNN、Faster R-CNN、Mask R-CNN三种二阶段（two-stage）模型和SSD、YOLO系列的两类一阶段（one-stage）模型,并对其性能进行对比分析。在Ubuntu系统下利用Python语言以及Pytorch框架搭建网络模型,用标注的数据集进行训练。结果表明“two-stage”模型的检测精度普遍高于“one-stage”模型,但是检测速度恰好相反,最终选择目标检测速度较快,检测精度相对较好的YOLOv3模型作为基础模型。（4）为了同时提高接触网异物的检测速度和精度,针对检测精度低的问题,对YOLOv3模型进行改进时,首先在Darknet-53与预测特征层之间加入空间金字塔模块,进行多尺度融合;其次引入Mosaic图像增强的方法,增加数据集的鲁棒性和多样性;最后用广义交并比损失函数（GIo U）代替原损失函数（Io U）,完善图像的重叠度计算。为了提高目标检测精度,对批处理大小、学习率两个参数进行优化分析,并对模型的损失率进行性分析,选择适合本文的批处理大小、学习率,明显提升目标检测精度,并设计消融实验验证改进模型的有效性。研究结果表明,通过对典型模型进行研究,选择检测速度较快、精度较高的YOLOv3模型进行改进,对YOLOv3模型进行改进,并通过参数优化、消融实验等方法使接触网异物、鸟巢的目标检测速度和精度均有显著提升,在目标检测速度变化不大的前提下,目标检测的精度提高了9.38%,损失率降低了0.5,在一定程度上优化了目前人工巡检成本高、速度慢的问题,从而得到较好的检测结果。