轨道交通技术是中国乃至世界铁路建设的关键技术,其在人们日常的生活中一直有着重要的作用。随着中国铁路运营规模的不断扩大,保持高安全级别的铁路运输所必须的检测技术也正面临着巨大的挑战,同时近年来,人工智能在各行各业如火如荼的展开,也为轨道交通安全的检测步入全面的自动化和智能化阶段提供了契机,其中快速发展的计算机图像处理技术,驱动了对轨道安全的检测系统,应用图像处理技术实行换代升级的研究。扣件作为轨道线路中的重要组成部件,不仅常年暴露在外界接受日晒雨淋的考验,且随着铁路运输运载量越来越大,轨道列车车速越来越快,必然需要及时的检查和维护,以防止由于其变形损坏带来的安全问题。本文从研究轨道图像中扣件的定位与检测出发,开发了一套用于对轨道图像中扣件进行定位和检测的软件。具体包含以下内容:在轨道图像的扣件定位上,针对全局模板匹配法（Global Template Matching,GTM）在全图上进行扫描匹配,会在两个维度上产生误差,进而导致定位准确率较低的问题。本文提出基于双模板匹配（Double Template Matching,DTM）的轨道扣件定位方法:首先,使用钢轨图像模板在水平方向扫描并定位钢轨及其周围包含扣件的区域,接着分割出该区域,并将其称之为钢轨区域图（Rail area map,RAM）;然后将扣件模板沿RAM在竖直方向上进行扫描匹配,从而在轨道线路原图中精确定位到扣件区域。提出的DTM方法使用两个模板分别在一个维度上进行定位,可以避免扣件定位在水平方向上的误差,因此可以提高定位精度。在轨道图像的扣件状态检测上,针对单一的图像特征无法全面描述轨道扣件特征,导致漏报率较高的问题,分别提取了作为图像形状特征的方向梯度直方图（Histogram of Oriented Gradient,HOG）特征,和作为图像纹理特征的局部二值模式（Local Binary Pattern,LBP）特征,然后使用串行融合的方法更全面的描述扣件图像的特征;进一步针对HOG特征维数过多导致分类器效果变差的维数灾难问题,通过提取训练样本中正样本的HOG特征,生成平均HOG特征,然后使用自编码器（Auto Encoder,AE）对HOG特征进行降维描述,并使用该编码器对每张图片的HOG特征进行降维;最后,使用支持向量机（Support Vector Machine,SVM）分类器对融合了降维的HOG特征和LBP特征,本文将其命名为AEHAL（AE-HOG And LBP）特征的扣件图片做训练和测试实验。在软件设计上,本文针对实际线路的扣件检测需求,设计了包括用户注册登录模块、检测文件选择模块、扣件定位及检测模块、扣件状态结果展示模块、扣件状态查询模块共五个模块在内的软件,实现了对指定文件夹中保存的轨道线路原图中扣件定位及状态的检测、以及与数据库交互的添加、查询、修改等功能。