轨枕是地铁轨道结构的重要组成部分,负责保持轨道的几何形位、承受来自钢轨各向荷载并传递至道床。地铁列车在运行过程中,轨枕会不断地承受着压力冲击,加上施工质量缺陷和环境因素影响,可能导致轨枕出现裂纹、掉块等缺陷,造成轨道机械结构稳定性下降,严重时甚至引发安全事故。随着轨道巡检系统的提出,基于图像的非接触式检测手段逐步取代传统人工巡道成为轨道运维的主要手段。但是,现有的检测系统仍存在图像解析能力差,自动化水平低,缺陷识别过度依赖人工辅助等不足,检测效率仍然较低。为解决以上问题,本文研究了基于深度学习技术的地铁轨枕缺陷检测算法,主要工作内容如下:1.针对地铁轨道图像轨枕缺陷区域的定位问题,研究一种基于改进TINYYOLO v2网络的定位算法。首先根据轨枕缺陷区域大小调整原网络的输入尺寸,进而利用K-means算法对轨道图像数据集进行聚类分析,最后通过压缩原网络中各层级卷积核数量（宽度）降低模型复杂度。实验结果表明,改进后TINY-YOLO v2网络具有更高的轨枕缺陷区域识别效率。2.针对地铁轨枕表面不易检测的细微裂纹,提出一种基于改进YOLO v3网络的检测算法。首先借鉴Dense Net网络的密集连接思想,将YOLO v3网络中前二个残差块替换为密集连接块,其次受DSSD网络内预测模块改进思路的启发,优化YOLO v3网络的预测层架构,然后对YOLO v3深层网络进行压缩处理,最后利用数据增强技术扩充裂纹样本量,并基于数据可视化技术分析模型检测效果。实验结果表明,该算法实现对细微裂纹检测精度与速度的显著提升。3.针对遍布面积较广的地铁轨枕掉块缺陷,研究一种基于改进Darknet-53分类网络的检测算法。基于轨枕掉块检出难度与模型自身复杂度考虑,调整原Darknet-53网络中每个残差块的残差单元数量（深度）,以防止训练过拟合,并依据检测类别数量匹配其全连接层的特征维度。实验结果表明,该算法在保证较高检测精度的同时仍能实现较快的检测速度。通过实验验证分析表明:本文研究的轨枕缺陷检测算法可以实现地铁轨枕缺陷的快速准确识别,解决传统图像识别算法的鲁棒性较低、检测效率不高等问题,且能够满足现有轨道巡检系统以最高速度160km/h作业时的实时处理要求。