裂纹是表征高铁轨道重要组成构件双块式混凝土轨枕结构安全最重要的因素之一。中国拥有着世界上最大的高速铁路运营里程数,随着高铁运营里程的增加,传统的依靠人工巡检配合机器辅助检测轨枕裂纹的方式已日趋无法满足实际铁路维护的需求,目前亟需一套自动化的轨枕裂纹检测系统。现有的裂纹检测算法主要基于深度学习框架,这些方法依据原理不同可以分为单阶段和双阶段两种方法。然而,目前这两类方法均无法同时满足检测任务对速度和精度的要求:单阶段算法检测速度快,但精度低;双阶段算法检测精度高,但速度慢。本课题目标在于提出一种算法能同时满足精度和速度要求。针对这一问题,考虑到双阶段算法由于原理原因其检测速度难以提升,本课题将重心着重于提升单阶段算法的性能,主要工作内容如下:首先,本文围绕所研究的裂纹检测问题开展了相关基础性工作,包括:1)数据收集处理工作。总计54,205张实际轨枕图片被收集、标注,并发布在网上供后继研究者使用;2)神经网络提取裂纹特征方式有效性证明。通过可视化特征图方式证明了神经网络的确能有效地区分裂纹和非裂纹图片特征的差异,为后续本文提出的深度学习方法有效性提供解释;3)裂纹漏检原因分析。通过特征图分析方式,得出在浅层网络设计中尽可能不要使用最大池化层的结论,其是导致微小裂纹漏检的主要原因,为之后检测网络的选取与设计提供指导。其次,本论文提出了具有更高精度的单阶段CF-NET算法。影响单阶段算法精度主要原因在于裂纹的尺度变化范围过大,分治标签方式可以人为地降低裂纹尺度变化范围以提高算法精度。但这种标签方式存在单个裂纹重复检测、裂纹位置信息不精确等问题。本文所提的CF-NET网络通过设置新的标签方式、检测流程、置信度融合策略和损失函数等方面的改进,有效地解决了这些问题。实验表明,其最高准确率达到99.1%,实时检测速率依然有17 FPS,能够在保持原有单阶段算法检测速度的同时,有效地提高单阶段算法的准确率,可以满足最高时速23.3 km/h轨枕检测小车实时检测任务的需求。再之后,本文针对CF-NET网络在某些检测场景下检测速度依然过慢问题,进一步提出了具有更快检测速度的Fast Crack网络。CF-NET网络的通道、层之间的特征图存在大量重复区域,存在参数大量冗余。针对这一问题,Fast Crack网络在单阶段算法YOLOV3的基础上使用剪枝算法对网络参数进行裁剪,大幅削减计算量以提升算法速度。该剪枝算法了新的层剪枝策略和局部衰减稀疏训练策略,并在模型微调阶段使用知识蒸馏来提升准确率。实验表明,Fast Crack网络在保证97.2%的较高准确率前提下,参数量相较原始模型下降10X,检测速度达到了126 FPS,其综合性能能够满足最高时速170 km/h轨道检修车实时检测任务的需求。最后,本文基于之前提出的算法开发了可以实际应用的轨枕维护管理系统。该系统应用模块化、分布式设计,能很好满足轨枕自动化检测、维护以及管理的需求。