铁路扣件是铁路轨道线路的关键部件,其工作状态的好坏直接决定着铁路行车是否安全。近年来,随着客运机车的不断提速和大量新型机车的运行,国家对于铁路线路检测现代化的要求越来越迫切。由于铁路线路处于自然环境,受自然光照的影响,采集到的铁路图像会出现光照不均现象,极大影响扣件状态检测的准确率。针对以上问题,本文研究了光照不均匀情况下铁路扣件的缺陷检测算法,主要工作如下：研究了常见的图像增强算法解决扣件缺陷检测过程中存在的问题。直方图均衡化算法可以有效提高图像对比度,但是容易出现局部区域过度增强的问题；Retinex方法对原始图像中高光部分处理能力不足,且需要针对每幅图像调整参数,适用性差；由于铁路扣件图像中存在局部高光和阴影区域,同态滤波算法对这些图像增强效果差。针对以上不足,本文将经验模态分解算法引入扣件图像预处理。该算法的处理过程完全数据驱动,无需调整参数,易于实现不同光照质量图像的批量处理；同时该算法在空域对图像进行操作,避免频域图像处理算法中存在的灰度值与其空间位置无法对应的盲目性。本文将二维经验模态分解和直方图均衡化算法相结合,提出一种适用于铁路光照不均匀图像的预处理算法。该算法将图像分解为光照分量和细节分量,在增强细节分量的同时调整光照分量,达到改善图像质量的目的。实验证明本算法可以有效降低图像高光区域光照强度,适用性强,扣件区域定位的准确率高。在上述工作的基础上,结合扣件二值轮廓特点,提出一种基于轮廓追踪的扣件轮廓优化算法。对二值图像中不属于扣件边缘的无效轮廓进行过滤,减少噪声,得到更加有效的扣件边缘的HOG特征。在此基础上,建立针对扣件状态检测的训练样本库和测试样本库,采用支持向量机的线性分类器对扣件进行缺陷检测。通过实验验证本文算法可以有效提高光照不均扣件图像的检测准确率。