世界日新月异,人口流动日益频繁,人们对公共交通出行的便利性需求越来越大。铁路是公共交通出行重要的一环,其中列车车轮的检测,关系着大家的出行安全。所以列车相关行业需要对车轮的表面缺陷进行定期检查,排除安全隐患。随着人工智能的快速发展,有助于解决车轮表面缺陷检测问题,克服以往人工检查的各种弊端,例如劳动强度大、检测准确度较低、检出率低以及实时性较差等。列车车轮表面的缺陷主要分为三类,分别是擦伤、剥离和硌伤。本文基于深度学习的方法,对列车车轮表面的缺陷进行研究,主要工作和创新点如下:（1）设计了相机布局,提出了一种列车车轮表面全覆盖图像采集方法,能够获得清晰和全面的列车车轮图像,包括采集了各种类型的缺陷样例以及无缺陷的正常数据样例。（2）提出了一种车轮表面图像预处理方法,对图像进行自适应旋转、裁剪和增强等处理。（3）根据列车车轮表面缺陷数据特点和检测网络自身特点,提出在YOLOv5网络模型基础上引入注意力机制和Focal Loss损失函数的方法,对YOLOv5网络模型进行改进和优化,使得学习到的缺陷特征更具有区分度,且识别效果有显著提升。（4）对基于U2Net网络模型的车轮表面分割方法进行了优化,将车轮表面划分为轮缘、踏面和轮辋。在进行了检测和分割后,得到的缺陷能够按照不同的车轮表面区域进行精确报错。实验结果表明,本文所使用的基于深度学习的检测方法,比传统的缺陷检测方法以及未改进的深度学习网络模型在检出率和精确度上有显著提升,可以做到实时检测且检出率在94%以上。