扣件是保障列车安全运行的重要部件。随着中国高速铁路技术的飞速发展,设计能够实现轨道状态自动化检测的系统已成为铁路相关部门的强烈需求。近年来,越来越多的基于计算机视觉的自动检测算法被提出,相较于传统人工巡检的方式,基于计算机视觉的扣件检测方法速度更快,精度更高。但由于扣件图像存在光照变化大,失效形式多样等情况,致使传统视觉算法中提取的特征难以描述图像的真实内容。本文将深度学习应用于扣件的定位和状态识别中,主要研究内容如下:(1)针对传统视觉方法在扣件定位时存在速度慢、精度低的问题,提出了一种改进的单步多框检测深度学习扣件定位算法Improved＿SSD。算法首先采用残差网络更新原有的特征提取网络,在增加网络深度的同时提高特征的抓取能力;第二,采用膨胀卷积的方式来扩大网络的感受野,增加算法的鲁棒性;第三,采用本文设计的非极大加权抑制的方式替换原有的抑制方法,提高最终输出框位置的精度;最后,通过位置校验的方式来快速判断图像中是否存在丢失扣件。理论分析和实验表明,Improved＿SSD有效的降低了漏定位率和误定位率,定位的速度更快,对光照变化具有较强的鲁棒性,能够满足高铁扣件定位的实际工程应用需要。(2)针对现有扣件识别算法难以准确区分扣件失效类别的问题,提出了一种融合局部特征与深度特征的高铁扣件状态识别算法FLDF。算法的局部特征采用改进的SIFT算子DR＿SIFT结合词袋模型进行提取,深度特征采用VGG-16网络提取。首先,通过实验确定词袋模型中单词的数量和深度网络模型中具体的特征层;第二,在两种模型的基础上对特征提取方式进行融合,在融合的过程中,通过权重比实验来确定两种特征融合的权重,同时对特征向量进行归一化处理;最后将特征向量输入到向量机中进行分类。新的算法既保留了SIFT局部特征提取过程中对亮度变化不变形、特征具有较好独特性的特点,又补充了深度特征对于全局特征中扣件更深层次的语义解析的特点。理论分析和实验表明,FLDF能够有效的识别出缺陷扣件的类别,和主流扣件状态识别算法相比,本文算法的准确率更高,且对光照具有较好的鲁棒性。