目前我国的井下巷道运输主要以人工驾驶的轨道机车方式为主,频发的安全事故带来了巨大经济损失和恶劣社会影响,井下运输的自动化和无人化将成为今后发展的必然趋势,而实现对轨道的计算机视觉检测是一项不可或缺的基础支撑技术。传统轨道检测技术极大依赖人工设计的特征,检测精度和速度难以让人满意,且鲁棒性差。文章针对上述问题,基于深度学习理论开展了对井下轨道检测研究。提出了基于深度神经网络的轨道检测算法,主要研究内容如下:(1)开展了卷积神经网络、生成对抗网络、语义分割及知识蒸馏等方面相关理论的研究,为后续网络模型的设计和实现提供有力的支撑。与此同时采集与预处理井下轨道视频并进行标注,构建了井下轨道训练数据集。(2)提出了结合多尺度条件生成对抗网络的井下轨道检测算法,该算法针对了现有的基于卷积神经网络(CNN)算法应用在轨道检测的不足和传统的手工制作特征算法的弊端,并结合生成对抗网络在图像生成的优势,设计了轨道检测算法。算法在生成器网络方面利用二级结构,可以保证生成器最终可以生成出高分辨率的图像;对判别器网络利用多尺度结构,结合基于参数共享的多任务学习策略。最终引入蒙特卡罗搜索提高图像生成的效果。实验结果表明,算法在井下轨道检测准确率达到94.27%,与主流检测算法相比具有准确性和强鲁棒性优势。(3)提出了基于注意力蒸馏的井下轨道检测算法,以进一步满足轨道检测在实际场景下的实时性与可应用性需求。该算法利用SCNN(Spatial Convolutional Neural Networks)在车道线检测算法表现出的优越性,因此作为教师网络;ENET(Efficient Neural Network)作为一个语义分割网络,其模型小,速度快,因而被作为学生网络进行注意力蒸馏(Attention Distillation,AD),最终提出了ENET-AD轨道检测算法。算法在车道线检测数据集和井下轨道线数据集检测方面,ENET-AD均表现出了其卓越的性能,并且测试时的帧速率可达41.8FPS,检测准确率可达91.59%。综上所述,本文提出的两种轨道线检测算法可以较为有效解决在井下巷道场景中存在的复杂轨道线检测问题,为后续井下高级辅助驾驶及全自动无人驾驶技术的实现奠定了基础。