铁路行车安全是一个永恒不变的话题,对于铁路线路异物入侵的检测也一直是轨道交通领域的重要研究课题,在理论研究与实际工程应用都有着持久的研究热度。尤其随着我国铁路建设以及高铁技术的飞速发展,迫切需要一种检测精度高、实时性好、稳定可靠的铁路异物检测技术,这在铁路的安防建设领域具有重大意义。目前而言,国内外的学者在异物检测的领域提出了较多的成熟方案,也取得了一定的实际应用成果。但是,检测的方法在准确性、实时性以及可靠性上还有较大的进步空间。近年来,深度学习与背景差分作为两种常用的视觉检测算法,被广泛应用在异物检测的任务中,但二者仍存在不足之处。由于深度学习对于未训练过的样本图像检测效果较差,而背景差分容易受到环境等因素的干扰,所以本文针对基于视频监控的智能识别技术,研究并提出了深度背景差分的图像处理算法,实现了对铁路线路的异物检测,并表现出了优异的性能。论文首先针对目前的研究现状以及铁路线路异物检测的总体需求,设计了基于深度背景差分与迁移学习的算法框架。然后运用现场铁路视频作为素材,进行了样本图像的截取与存储,整理出12个典型的相机场景,并进行了不同异物的人工标注,建立起包含40000张图像的数据库作为神经网络的训练集与测试集;同时设计了分块预处理的算法,对样本图像进行了分块降采样的预处理操作;针对深度背景差分算法也设计了不同的背景模型,以验证不同的背景提取方法对于算法的影响。接着,以深度背景差分算法作为框架设计了预训练模型的网络结构、网络参数、训练方法,并针对不同的算法结构、图像预处理方法对神经网络进行了训练与测试的实验,在综合各个相机的场景数据下达到了 99.6%的异物检测准确率。最后,运用迁移学习的方法,对于网络针对每个相机场景进行了迁移训练,以提升算法模型的训练识别速度。测试结果表明,在单个相机场景下,算法在迁移训练后仍然可以达到99%以上的异物识别准确率。本文通过创新性的思路,将深度学习与背景差分的方法结合起来,通过弥补二者各自之间的不足,使深度背景差分算法在解决铁路异物检测的准确度、实时性以及泛化性能等方面的问题发挥出了强大的处理能力,规避了传统检测算法的不足之处,并且在各组试验中均取得了良好的分类检测效果。