我国轨道交通建设快速发展,线路里程已稳居世界第一,随着轨道线路的长期服役,多种缺陷和病害逐渐增多,使得轨道部件的检修维护工作量急剧提升。钢轨作为轨道部件的核心,由于其直接与车轮接触,常在钢轨表面形成轻度缺陷,影响行车稳定性,如果不能及时检测出来,就有可能发展成重度缺陷,危及行车安全。因此,近年来轨道缺陷检测技术成为本行业的重点研究方向,钢轨缺陷智能检测技术与算法研究得到全面发展。为了实现钢轨表面缺陷的智能识别,提供高效轨道检测维护手段,需要高质量的自动化检测方法与技术系统。本文基于机器视觉技术,研究了钢轨表面缺陷智能检测系统。该系统主要包含图像采集硬件系统和缺陷识别算法两部分。轨道图像的稳定清晰采集,是基于机器视觉识别钢轨表面缺陷的基础,本文基于线阵相机和激光光源,设计一种模块化的轨道图像采集系统。该系统将光源和相机进行集成封装,简化模块构成,仅需要提供电源和数据接口即可实现轨道图像采集功能。在算法方面,首先基于一维卷积神经网络提出了一种钢轨边缘预测模型,用于将钢轨区域从原始轨道图像中提取出来,简化后续缺陷识别步骤。与传统钢轨区域提取算法相比,该方法对多种复杂场景的轨道图像均具有较高的识别准确性,在测试集上,模型预测边界与真实边界平均绝对误差仅有0.01像素,且算法处理速度仅在CPU上就达到了34fps。其次,基于该算法,构建了仅包含钢轨表面区域的钢轨表面缺陷图像数据集,对钢轨表面中的接缝,剥离掉块,擦伤以及裂纹四类目标进行了标注,并基于统计分析的方法,对数据集的标签尺度和各类缺陷的特征进行了分析,为缺陷识别算法研究提供数据支撑。然后,为了准确定位和分类钢轨表面缺陷,本文在钢轨表面缺陷数据集上,对8种经典的深度学习目标检测模型进行了基准实验,并基于钢轨缺陷图像的特征,对目标检测模型进行了优化,提出了纹理特征金字塔增强和加权融合池化方法,用于强化特征提取器对钢轨图像中纹理特征的学习能力。使用优化方法后的基准模型,均实现了检测性能的提升,对四类缺陷目标的检测平均准确率达到了85.1%。最后,基于字图像处理技术,对韦伯差分激励方法进行了改进,实现钢轨表面缺陷纹理的分割,并使用得到的缺陷定位和分类信息,完成对钢轨表面缺陷像素级的分类识别。