扣件是保障列车行车安全的重要部件。近年来,随着铁路运输方式的高速化和重载化,对包括扣件在内的轨道基础设施的维护工作提出了更高的要求。随着机器视觉技术的发展,很多公司和科研机构纷纷提出了自己的基于机器视觉的自动化扣件检测方法。与人工巡检方式相比,基于计算机视觉的自动化扣件检测方法具有检测速度更快、效率更高等优点,但是目前这些方法依然不够完善。深度学习作为人工智能的重要一环,已经在各个领域取得了丰硕的成果。本文将深度学习用于病害扣件检测,构建更加智能、高效、通用的病害扣件检测系统。目前在扣件检测领域没有公开且被大家广泛认可的标注数据,因此本文提出了基于半自动化标注的扣件定位方法。然后构建了以其为核心的半自动化扣件标注系统,可以方便、快捷地辅助人工快速完成大批量扣件数据的标注工作。我们收集并制作了一份4000张规模的扣件定位数据集,包含4个分类,且完全由人工完成标注工作。此数据集可以用于半自动化扣件定位算法的学习和性能评估过程。扣件状态检测任务主要针对发生了病害的扣件进行检测,即对发生了弹条断裂、形变、位移的三种类型病害扣件进行检测。我们借鉴了深度学习通用目标检测领域中Faster R-CNN方法的结构,提出了基于融合特征的扣件状态深度学习检测方法。此方法还应用了加权损失来提升模型对小样本病害扣件的检测效果,同时通过优化方法中的Anchor生成策略进一步地提升了模型检测速度。在实际场景中,包含病害扣件的轨道图像样本过于稀少,因此我们模拟真实样本合成了一批病害扣件的数据;并且在此数据集的基础上,进行了模型的训练和性能检验。为了进一步验证本文检测方法的泛化性能,我们基于一段来自衡阳至长沙路段的无砟轨道数据制作了测试集。实验结果表明,以合成数据方式训练得到的基于深度学习多尺度融合特征的扣件状态检测模型在此测试集上取得了比较好的检测效果。