在高铁线路运行过程中,异物入侵会严重威胁列车的行车安全。目前,我国铁路监控系统的主体仍然依靠人工进行监控和巡查,不仅消耗了大量的人力物力,同时也存在着检测效率低,检测时间长的缺点。而将传统目标检测算法应用于高铁异物检测中也存在特征提取难度大,提取得到特征难以契合高铁场景复杂的背景环境等问题。近年来,基于深度学习的目标检测方法得到迅速发展,将深度学习的方法应用于铁路异物入侵检测问题中是一个新的方向。本文运用深度学习的方法进行高铁线路异物识别与分类研究,研究过程中利用贵阳高铁站监控视频资料制作高铁异物识别与分类数据集,为解决数据集中特殊天气场景和夜间场景样本少的问题,利用Cycle GAN网络转化高铁场景样本风格得到新的样本对数据集进行补充,并挑选其他数据集中合适图片完善高铁异物识别与分类数据集。然后,利用此数据集对几种优秀的目标检测算法进行实验,挑选出综合检测性能最好的YOLOv3网络作为高铁异物识别与分类研究的基础网络。最后针对高铁异物识别与分类数据集的特点,对YOLOv3网络进行改进。首先利用可切换空洞卷积SAC替换特征提取网络中的前四个3×3卷积,通过增加卷积的感受野的方式提升模型对大尺度目标的检测精度。然后为提升模型对小物体检测精度,改进YOLOv3的FPN结构,融合YOLOv3特征提取网络中第二次下采样输出的特征图输出尺度为104×104的新的预测特征层,新的FPN结构融合了更多来自骨干网络浅层的信息,加强了网络对小目标的检测能力。本文通过改进YOLOv3网络的消融实验和改进YOLOv3网络与其他优秀目标检测网络的对比实验证明改进YOLOv3的高铁异物识别与分类网络的有效性和正确性。实验结果表明,改进后的YOLOv3高铁异物识别与分类模型较于原YOLOv3网络,在检测速度稍降的情况下,平均检测精度达到79.1%,比原网络提升4.3%。同时改进后的YOLOv3高铁异物检测网络相较于其他目标检测网络有更好的检测精度与实时性。