由于铁路运输和轨道交通在我国的发展速度非常迅猛,因此保障轨道系统的安全稳定运行和对轨道交通运输安全维护的工作非常关键。当火车在高速行驶的时候,异物进入列车轨道区域可能会造成巨大事故,给旅客的人身安全和财产安全造成很大的隐患。国内外高速铁路行驶中的最大安全问题来自人、动物进入轨道周界或边坡落石进入铁路限界。所以,在铁路周界区域内进行有效快速的异物侵限实时检测于监控对预保障行车安全发挥着很大作用。随着深度学习的进展,基于深度学习的目标检测算法具备了监测效果好、抗干扰能力强等优点,所以在实际使用中获得了较为突出表现。但是,现有的网络存在着计算成本过高,模型存储体积大等问题,因为硬件成本和计算能力的不匹配导致了检测的速度不高,做不到具有高效率的及时迅速检测。本课题结合轻量化目标检测框架,提出一种基于YOLOv4 tiny（You Only Look Once Version4 Tiny）改进的轻量化方法,解决了大型计算机不利于在郊野大量部署,而现有网络计算成本较高模型存储体积较大,不利于在具有高时效性要求和在较低存储资源设备中的部署问题。本文首先在基于YOLOv4 tiny算法的基础上做出了修改,设计了新的铁路场景异物检测算法。通过现场采集的方式得到了铁路场景在夜晚和特殊气象情形下的数据。随后在CSP Darknet53 tiny中利用深度可分离卷积替换部分标准卷积以减少参数量和计算量。接着将训练后权重进行转换,使得转换后权重可被Tensor RT优化加速推理器推理加速,随后引入合并运算与半精度处理。将Tensor RT-yolov4 tiny部署至嵌入式设备Jetson nano上进行测试。通过结果得到了证实,利用深度可分离卷积替换部分标准卷积后原YOLOv4 tiny算法的检测速度提升了50%,达到了平均0.036秒检测一张图片,帧率达到了30.12FPS。平均精度达到了82.13%。本文在铁路场景异物检测工作中,还将本文算法与其他改进前后算法进行了横向对比实验。通过最终实验数据能够直观的看到改进后的网络结构模型获得了更优秀的检测性能,具备了实际应用的价值。