随着轨道交通运营里程的不断增加,对于轨道维护与安全检测提出了更高的要求。轨道扣件是轨道系统中极其重要的基础部件,其结构完整性严重影响列车的行车安全。目前,轨道扣件巡检虽然初步实现了自动化,但检测精度较低。现有轨道扣件检测模型大多具有模型尺寸大、算力消耗多及检测精度差等缺点,同时对于实际运营线路存在着数据类别严重不平衡的问题。本文针对以上缺点,引入深度学习技术和数据增强方法,在数据增强的基础上探索了轻量化的轨道扣件智能诊断模型,并成功实现了在移动端设备上的部署,从而解决了模型尺寸大,检测精度低,硬件设备要求高等问题,有效地提高了轨道扣件检测效率和检测精度。主要研究内容如下:（1）针对轨道数据检测中数据类别不均衡的问题,首先,利用经典深度学习模型Res Net网络建立轨道扣件故障诊断模型;其次,结合生成对抗网络（GAN）的优秀数据生成能力,利用GAN网络对故障数据进行扩增,构建了轨道扣件故障诊断数据集;最后,与传统特征提取方法进行对比试验。试验验证了卷积神经网络在轨道扣件检测上具有优秀的特征提取能力。（2）针对传统轨道扣件检测算法模型尺寸过大以及GAN网络训练不稳定等缺点,提出了L-YOLOv4的轨道扣件检测方法和改进DCGAN的故障数据生成模型。首先,将深度卷积计算方法引入GAN网络以建立稳定的轨道扣件生成模型;其次,把YOLOv4中的主干网络替换成轻量级的Shuffle Netv2,并在特征融合层加入了改进的注意力机制（CBAM）,提高了模型的特征表征能力;最后,在增强的数据集上验证了所提方法能够有效地对故障扣件进行定位和识别,同时所提方法不仅具有较快的检测速度同时还拥有较高的检测精度。（3）为了实现轨道扣件在移动端的实时检测,提高检测系统的便捷性,提出了一种基于移动端的轨道扣件检测模型。首先,以减少目标检测模型内存消耗为目标,向YOLOv4-Tiny主干网络中添加了辅助网络增加全局特征的提取;其次,为了保证多尺度目标的检测,在特征融合层加入了ECA-Net注意力机制;最后,试验验证了所提方法在PC端和移动端都具有检测速度快,检测精度高和内存占用少等优点。本文结合数据增强方法和深度学习技术,提出的基于数据增强的轨道扣件智能诊断方法,有效地解决了因轨道扣件数据类别不平衡而造成的模型检测精度差,以及传统方法模型尺寸大造成的设备性能要求高等问题,为轨道扣件检测设备轻量化提供了新思路、新方法。