异物侵限检测对保障铁路列车安全运行有着重大的意义,早期的异物检测主要依靠人工巡检,但异物侵限具有很大的突发性,这使得仅依靠人工巡检无法及时检测侵限异物。基于传统机器视觉的检测方法虽然能打破人工巡检的局限性,实现检测的智能化,但由于该方法使用的人工特征易受到检测环境中的遮挡、强光等异常现象干扰,可能会造成严重的特征信息丢失问题,因而无法适应铁路复杂的运营环境。而基于深度学习的检测方法具有检测精度高、鲁棒性强的优点,能够适应各种检测场景。因此本文采用基于深度学习的检测方法来对铁路异物侵限进行检测,主要工作可以分为如下的几个方面:第一,为了解决基于人工特征提取算子在目标检测上的不足,提出了将深度学习中的YOLOv3目标检测算法运用在铁路异物侵限检测上,并且对原算法的不足之处进行改进。首先针对深度学习算法通常需要消耗大量的计算资源的特点,设计了基于新型卷积计算方式的层内多尺度残差模块（MRblock）,并用此残差模块替代原YOLOv3网络中的残差块,该模块将原有的单通道卷积路径变为了基于图像频率的双通道卷积路径,通过下采样低频特征图降低算法的整体计算复杂度;其次在YOLOv3网络中引入了空间金字塔模块和空间特征自适应融合模块,增加网络对不同尺度语义信息的感知能力,并减少特征金字塔在融合不同尺度特征时出现的语义信息冲突问题。通过在自制的铁路异物数据集上进行测试,验证了改进后的YOLOv3算法在检测精度、计算复杂度和检测速度上的优越性。第二,针对现有的异物检测研究中缺乏对铁路异物入侵限界的识别,采用先对铁路轨道进行识别,再根据标准轨距下的建筑限界的定义对识别出的轨道线坐标位置进行扩充的方式来获取铁路限界的位置信息。在轨道线的检测中采用基于行锚框的分割算法,利用预设的行锚框来进行轨道线的位置识别能够显著的降低分割算法的计算量并提高检测速度。通过在轨道线数据集上的对比试验可以证明本文的检测算法具有更高的检测精度和更快的检测速度。第三,结合改进的YOLOv3检测算法和基于行锚框的轨道识别算法,搭建铁路异物侵限检测系统。根据先前在目标检测网络和轨道检测网络上的实验结果选择最优的网络参数。通过在异物侵限数据集上对系统的检测性能进行测试,可以证明本文的异物侵限检测模型能够实时准确地判断物体是否构成侵限。本文提出的铁路异物侵限检测系统融合了异物检测和铁路限界检测两种功能,与其他仅使用目标检测算法进行异物检测的方法相比,可以有效的减少将限界外的物体检测为侵限异物而导致的误检问题,因此具有更高的现场实用价值。