列车（包括快车、动车及高铁）是客运和货运的主要交通工具之一，由于现代工业和科学技术的飞速发展，其规模和复杂性日益提高，一旦列车发生故障，将会引起人力、物力甚至人身安全的巨大损失，因此世界上许多国家都投入了大量的人力、物力和财力对列车进行故障诊断和状态监测，基于光学图像的列车故障识别和诊断已经成为了当今研究热点和重点之一。目标识别和形状匹配是图像处理、模式识别和计算机视觉的研究热点和难点，广泛应用于日常生活、工业应用和军事活动中的各个领域。本论文基于目标轮廓的形状表示和匹配进行了图像处理算法研究，并将其应用于列车最重要的行走部件——转向架的故障诊断和识别，全文主要研究内容如下：研究了列车转向架光学图像的预处理。对国内外关于数字图像边缘检测技术的研究和现状进行了系统的总结和分析，首先详细介绍了基于一阶和二阶微分算子的边缘检测算法，包括Roberts、Sobel、Prewitt和Canny算子，研究各自算法原理，分析其各自适用范围和优缺点。然后介绍了基于多尺度小波变换的边缘检测算法，包括小波变换的基本原理和小波边缘检测的算法步骤，并分析其适用范围和优缺点。研究了基于PCA-SC全局特征算法的目标识别算法。为了实现形状匹配和目标识别的快速性和抗噪性，基于形状上下文（Shape Contexts, SC）算法，融合了主成分分析（PCA）降维思想，提出一种PCA-SC算法。算法思想是将SC算法获取的特征矩阵构成协方差矩阵，按照特征值由大到小的准则进行降维，形成新的特征矩阵用于匹配和识别，既抑制了噪声干扰，提高了识别准确率，又能够提高匹配速度，易于满足工程应用上的实时性要求。通过对MNIST图像数据库中的图像进行实验分析表明PCA-SC算法在保持了SC算法原有的定位准确、抑制噪声等优点的基础上，识别速度提高了一倍，准确率达到了96.15%，提高了约0.5%，抗噪性更强。研究了基于分层描述（Hierarchical Representation）和弹性匹配（Flexible Matching）的目标识别和形状检索算法。有效的目标轮廓分段和形状匹配算法是描述目标局部特征和相似度表征的关键环节。针对现有轮廓描述算法存在轮廓分段不合理的问题，本文基于认知心理学，提出了分层描述的轮廓描述算法；同时基于轮廓分段的长度、凹凸度和弯曲性等几何特征，提出了弹性匹配的相似度表征算法。整个算法思想是首先根据角点特征将整个轮廓划分成一些轮廓分段，接着对轮廓分段的分布特点提出价值尺度，然后将多级轮廓分段按照价值尺度原则合并得到有限个能够完整描述目标轮廓的特征分段，最后将特征分段应用到弹性匹配相似度检测模型中进行目标识别。通过对MPEG-7和Kimia图像数据库中的图像进行实验分析表明该算法能够完整描述目标图像的形状特征，提高了目标识别率和形状检索率，并对部分遮挡的目标也具有良好的鲁棒性。基本满足目标识别识别和形状检索对准确率、稳定性、抗遮挡能力等方面的要求。将本文研究的理论方法应用于列车转向架故障检测和识别的实际工程应用中，一方面验证该理论成果的可行性，另一方面也实现了列车转向架故障的检测和识别。该识别系统的主要工作方式是通过记录行进中的转向架光学图像，基于本文提出的图像识别理论算法，自动识别待诊断的部件，并判断是否存在故障。通过对心盘螺栓松动和丢失故障、表面油污污染故障、表面裂纹故障的检测和识别，验证了本文提出的方法的有效性和适用性，可以发现本论文提出的算法对转向架几种常见的故障识别率较高。