高速铁路日常行车中,300km/h的行车速度带起的强气流会对无砟轨道上的异物产生很大的吸力,从而对行车安全造成隐患。检测出无砟轨道上的异物,对行车安全与轨道清洁工作都有着重要意义。以人工巡检轨道或人工审核轨道图像的方式检测异物,耗财耗力且效率低下。如何利用计算机技术,智能检测轨道图像中异物,做到提效降本,是我们目前亟待解决的问题。GANomaly是近两年被提出的一个基于图像重构的半监督异常检测模型,可以在无异常样本的情况下完成模型的训练,适用于无砟轨道异物检测场景。本文首先基于GANomaly提出了一套无砟轨道异物检测方法,然后通过改进模型的测试方法,提升了正、异常两类样本的可分性,进而提升了模型的异常检测能力。本文的主要成果概述如下:（1）提出了一种基于GANomaly的无砟轨道异物检测方法。该方法分为两个阶段。第一阶段:利用目标检测模型定位无砟轨道图像中的前景,接着剔除前景并将背景分为64 x 64大小的图像块。第二阶段:通过GANomaly判断无砟轨道图像的每个图像块是否异常,进而判断其是否存在异物,对于异常的图像块,标注其位置信息。（2）提出了一种基于最近邻重构与隐空间插值的无砟轨道异物检测方法。在GANomaly模型的基础上,为加大正、异常两类图像块重构误差之间的差值,使得两者更具有可分性,我们改进了模型的测试方法。我们将训练集中所有图像块的编码向量的集合称为隐向量集。在测试阶段,不再将测试图像的编码向量解码得到其重构图像,而是将该编码向量在隐向量集中的最近邻向量解码得到其重构图像,有效提高了异常图像块的重构误差。同时,我们还对隐空间中隐向量较为稀疏的区域进行了插值,降低了正常图像块的重构误差。新方法与原方法相比,分别以测试图像及其重构图像二者编码向量之间的2范数、二者之间的均方误差为异常得分,模型在图像块数据集上的AUC分别提高了0.01、0.07,在无砟轨道数据集上的AUC值分别提高了0.08、0.1。