随着我国铁路跨越式发展,对铁路行车安全保障系统提出了新的挑战。铁路扣件是铁路基础设施中主要的零部件之一,扣件系统可以依靠自身的弹性变形储存能量以缓解列车通过时对轨道的机械振动和冲击,由于其在长期的服役过程中会承受多次往复性、周期性的弯曲及扭转等交变应力作用,因此容易出现断裂、丢失等缺陷；另外,随着客运高速化和货运重载化程度不断提高,使得扣件的疲劳断裂或丢失问题变得更为严重,故障率明显增大。因此,扣件系统的状态对于铁路的运营安全有着至关重要的作用,铁路扣件的缺陷检测和工作状态的监控对于排除安全隐患,保障列车运行安全具有重要的意义。为适应铁路发展的新需要,设计一种基于高度信息共享的、高可靠性的铁路扣件自动化巡检系统已成为铁路运营保障体系中的重点之一。基于计算机视觉的扣件检测是一个备受关注的前沿课题和新兴的应用方向,通过计算机和图像处理技术对扣件图像进行分析和处理,实现铁路扣件的自动化检测。受前期国内外扣件图像处理研究的启发,本论文主要针对铁路扣件缺陷图像检测关键技术进行研究,从扣件子图像的精确定位、有效图像特征的提取、扣件图像分类识别算法等几个方面进行总体考虑,力求提出一种具有较强鲁棒性的扣件分类检测算法。本文的主要贡献如下：首先,扣件在原始轨道图像中目标较小,在原始图像中直接对扣件进行检测,难以获得理想的检测效果,且计算耗时大。为避免轨道图像中扣件区域以外的对象对扣件分类识别的影响,提出一种从粗到精的两步扣件子图像分割算法。首先,利用轨道图像中钢轨与道砟、轨枕与道砟之间区域的平均灰度值和显著性差异,构建一种基于两类差异信息的符号比例函数,分别获取钢轨和轨枕在图像中的位置,并对扣件区域进行交叉粗定位；然后,利用枕肩与图像背景间灰度相对不变性对粗分割出来的扣件图像进行二值化,并利用二值图中轨枕枕肩呈直线特征这一特点,通过投影法确定枕肩的位置,最终根据枕肩与扣件间的位置关系精确地确定扣件位置。其次,提出一种可有效进行扣件图像特征描述的EAHOG-MSLBP融合特征。首先,本文设计了一种基于模板的扣件EA边缘感知方法,并在感知边缘的基础上,提出了一种改进的EA-HOG边缘梯度特征描述算法,使得该特征能够很好地逼近扣件形状特征,并且对光照和颜色变化具有不敏感性；然后,针对传统二元模式及其相关改进算法仅能表达图像的微观纹理模式,而无法捕获扣件区域与周围背景区域块间的结构性差异的缺陷,模拟视觉注意机制设计了一种可捕获扣件图像宏观纹理的MSLBP特征采样模式,提取扣件图像的宏观纹理特征;最后,采用分层次加权融合的方法将EA-HOG边缘梯度特征和MSLBP宏观纹理特征联立成EAHOG-MSLBP融合特征。最后,针对扣件图像中扣件部分断裂的情况难以识别的难题,通过对原始扣件图像进行对称性操作获得两个虚拟的对称性样本,并将对原始待测试图像的直接检测转化为对两个虚拟对称性样本的检测,该算法突破了传统的基于计算机视觉的检测方法对原始图像进行直接测试的局限性。在对两个虚拟扣件样本进行分类识别时,设计一种基于权重累积的稀疏表示分类识别算法。第一步,探索训练集中各类训练样本在表示待测试样本上的能力大小,并依此在每类训练样本中选择性地保留K个对待测试样本具有较强表示能力的训练样本；第二步,利用各类训练样本中保留的K个样本重新对待测试样本进行线性表示,然后分别将这些样本各自所对应的k个系数值进行累加,得到各类训练样本对待测试样本的分类贡献度,并将待测试样本分类到贡献度最大的训练样本类中。最后,在文章结论部分对全文进行了总结,并针对扣件图像自动化检测理论和工程应用,指出有待进一步研究的问题。