铁路在我国经济社会发展中的地位和作用至关重要。做好铁路周界安全保障是推动铁路高质量发展的基本前提,也是保障乘客生命和财产安全的迫切需要。铁路线路多、沿线长,列车运行速度快、发车频次高,周界异常行为发生具有突然性、无周期性和不可预测性,报警信息时效性要求高,给铁路周界的维护和排查工作带来很大的困难。铁路沿线监控设备的安装和使用,结合先进的计算机视觉算法,在一定程度上提高了铁路周界异常检测的效率,然而还面临很多挑战。因此,本论文开展了基于计算机视觉的铁路周界分割及异常感知研究。（1）按照分步走的研究思路,将基于计算机视觉的铁路周界异常检测分为周界分割、周界异常感知、重点目标识别三步。周界分割可以减少非周界区域内的目标对后续异常感知算法的影响。周界异常感知利用较低的计算资源,快速准确的将异常的图像筛选出来。重点目标识别可以解除由火车和非火车运行时间的人引起的报警。（2）在周界分割研究中,提出了一种基于编码器和解码器结构的铁路周界分割方法。设计了改进的Unet网络结构,更加对称式的网络结构可以避免剪裁带来的特征丢失,使用Leak RELU激活函数避免输入负数时的梯度消失,加入串行的通道和空间注意力机制模块CAMB降低浅层特征和深层特征间的信息鸿沟。经过数据采集、标注和扩增,构建了包含约5000张图片的Rail Guard数据集,用于模型的训练、测试和对比;对训练图片采用8种数据扩增方式。（3）在周界异常感知研究中,提出了一种基于像素值变化率和灰度投影的铁路周界异常感知方法。首先构建基于高斯金字塔的多尺度图像,利用较高分辨图像进行周界分割,通过较低分辨率图像的像素值变化率判别异常像素点,利用灰度投影将二维图像转换为两个维投影序列,进而提取异常区域。最后,根据异常区域和周界区域在图像中的位置关系,最终判别周界是否存在异常。（4）在重点目标识别研究中,提出了一种基于先验框聚类和注意力机制的重点目标识别方法。设计了改进的YOLO V5网络结构,在残差单元中添加串行的通道和空间注意力机制模块CAMB;使用K-means聚类重点目标的先验框;使用考虑更加全面的边界框损失函数DIo U。构建了包含火车和人2类目标的Rail2数据集,用于对模型的参数微调和测试。