动车作为新兴的交通工具,其运行安全一直备受瞩目,目前主要的动车故障检测方法是依靠人工作业和计算机辅助人工作业,但由于动车底部结构较复杂,细小零件多,传统的列检方式受操作人员的技术水平和人体疲劳程度影响,检测过程难免出现纰漏,甚至影响动车安全运行。将计算机视觉技术应用在动车底部异常检测中,可以提高检测的效率和质量,对动车的安全运行具有重要意义。本论文旨在对动车采集轨边图像,运用畸变处理、图像配准、图像对比等技术,通过与历史标准图像比对实现动车底异常的自动检测,提高检测效率,确保检测质量。论文在目前已有的列车故障检测系统的基础上,提出了一种基于轨边图像SURF特征的动车底部部件异常检测算法。通过分析动车轨边图像的特点,对采集过程造成的图像畸变问题给出了车轮定位确定比例、分段缩放的解决方案。考虑到轨边图像受光照条件影响较大,采用了SURF特征进行配准,同时针对动车底中间部图像存在的特征信息贫乏的情况,改进SURF的配准过程,在匹配过程中加入了阈值调节模块,提高匹配精度的同时保证了匹配的成功率。通过分析故障信息和干扰信息的特性,设计了结合图像连通域信息、边缘信息和直方图相似度信息的故障判定算法,实现动车底部异常信息的自动检测分析,提高了检测效率。本文采用C++编程语言和OpenCV平台搭建仿真系统,对实地采集的动车轨边图像进行仿真实验,对设计的算法模型进行验证和分析,证明了该算法能够自动识别动车底部的异常情况,区分出其中的故障信息和干扰信息,达到代替人工作业的目的,提高动车底部故障检测的效率和质量。