列车定位是列车运行控制的基础,目前普遍采用地面应答器、轨道电路、卫星导航等多传感器融合方式实现列车的高精度定位。但在地面设备损坏、车地通信故障、卫星信号遮蔽等极端情况下,仍然存在定位丢失的可能。为此,本文提出了一种基于机器视觉的虚拟应答器技术,通过智能识别铁路沿线大量周期性出现的标志物,如公里标、百米标和接触网立柱编号等,与列车运行线路的里程建立联系,实现类似应答器功能的高精度定位,可以摆脱对外部定位设备的依赖,提高定位系统的可靠性。本文首先分析了现有列车定位技术存在的问题,通过调研铁路沿线的实际场景,分析了基于线路视觉特征进行列车定位的可行性。并据此设计了基于线路标志物识别和定位的虚拟应答器总体方案,提出了基于双路相机和基于单路相机两种定位方案。通过实验分析,最终选择了基于单路相机定位方案,并针对列车定位总体精度要求,分析了各部分算法应达到的技术指标。根据虚拟应答器的单路相机设计方案,论文重点研究了基于深度学习的机器视觉算法,包括标志物检测算法,标志物识别算法和标志物距离估计算法。首先设计了基于YOLOv5的线路标志物检测算法,为满足算法训练和验证需要,建立了铁路场景线路标志物目标检测数据集,解决了数据集存在的类别不平衡问题。并针对原始网络在对线路标志物进行检测时存在的误检和漏检问题提出了有针对性的改进优化,实现了比原始网络更好的检测效果,在铁路场景数据集上达到了93.8%的总体平均精确度。其次,设计了基于CRNN的线路标志物识别算法,为满足算法训练和验证需要,建立了线路标志物文本识别图像集并通过数据增强提高了数据集的特征多样性。针对原始网络特征提取效果差,速度慢等问题通过减少卷积层引入残差结构实现了比原始网络更好的识别效果,在铁路场景数据集上达到了96.75%的样本识别准确率。最后,设计了标志物距离估计算法,利用机器学习的回归模型对图像中检测识别到的线路标志物距离进行估计,解决了视觉虚拟应答过程中列车位置获取的问题。为了对设计的算法进行验证,搭建了嵌入式虚拟应答器样机系统,通过减少输入通道和卷积通道剪枝完成了虚拟应答视觉算法轻量化改进并基于Tensor RT框架进行了网络加速和部署,在环形铁道上进行了车载实验,实现了在车载样机系统上的14FPS的全流程线路特征识别与定位,在实验线路上的定位精度为1.88米。