随着我国铁路交通运输行业的高速发展,铁路里程逐年增长,铁路线路巡检的压力越来越大,设计能够自动化巡检线路状况的系统已成为铁路工务部门的迫切需求。轨道扣件系统是铁路轨道表面基础设施的重要组成部分之一,是整个轨道系统不可或缺的一部分,起到将钢轨固定在轨枕上或者混凝基座上的作用,保证列车行车安全。因此,研究基于图像处理的轨道扣件状态识别算法具有十分重要的理论和实际意义。首先,为了扣件状态识别的正常进行,根据实际的轨道图像特点,构建了一种基于形态学处理的扣件定位方法,利用轨枕、钢轨和枕肩的边缘特征快速得到定位坐标,根据坐标信息从原始图像中定位扣件子图像。针对定位有偏差的扣件子图像,充分挖掘扣件区域与非扣件区域的特征信息,构建了一种基于超像素处理的自动调整扣件子图像定位坐标的算法,使用超像素处理方法将扣件子图像分割成若干个超像素区域,然后利用超像素的五个特征将超像素区域聚集成多个较大的聚类区域,接着根据扣件区域的颜色特征合并聚类区域,从扣件子图像中分割出扣件区域,最后根据子图像中扣件区域的坐标位置调整原始扣件子图像的定位坐标,该方法提高了扣件子图像的定位精准度。其次,为了获取扣件图像的局部特征,建立了扣件图像的马尔可夫模型,使用该模型证明了关键区域状态与扣件图像状态之间的关系,将关键区域的LBP均匀模式特征作为局部特征。扣件图像的全局特征是HOG特征,首先对同一张扣件图像使用不同带宽的高斯核函数进行多次处理,保留扣件外部形状特征,消除局部细节,然后提取经过高斯核函数处理后所有图像的HOG特征,将同一张扣件图像的所有HOG特征顺序级联形成该扣件图像的全局特征。再次,针对样本库扣件图像数量少和缺乏多样性的情况,将所有扣件图像按对称轴一分为二,之后采用镜像和拼接的方法重构扣件图像,使用该方法将增加训练样本库的图像数量,提高样本库的多样性。最后,搭建了一种结合两种训练模型的扣件状态混合识别算法。使用全局特征训练支持向量机、局部特征训练BP神经网络,将两种训练模型用于扣件图像的状态识别,它们的判别结果通过逻辑与进行运算,得到混合识别算法的判别结果,结果表明,综合两种模型的扣件状态结果,扣件状态识别率将比单一模型的识别率高。