地铁作为新时代人们出行的重要公共交通工具,它的安全性和可靠性备受关注,日常维护检修必不可少。螺栓作为衔接地铁车辆中各个结构的主要零部件,它的紧固状态与车辆运行的安全息息相关。目前螺栓的紧固状态检测主要依赖于人工巡检,但是存在漏检率较高、人力成本高、受环境影响大等问题。随着计算机算力的不断提高与计算机视觉技术的持续发展,在自动化检测领域内中应用计算机视觉已经成为了一种业内的发展趋势,且取得了不错的成绩。本文在充分调研螺栓发生故障的原因、国内外现有的螺栓故障检测技术及目标检测算法后,对其进行了总结并提出了两种地铁车辆轴箱螺栓紧固状态检测算法:基于词袋模型的螺栓紧固状态检测方法和基于深度学习的螺栓紧固状态检测方法。在基于词袋模型的螺栓紧固状态检测方法中,本文详细分析了特征提取方法,提出将Harris-SIFT结合进行特征提取和描述,并在此基础上构建词袋,最后通过SVM分类器训练并检测。实验结果表明,此法对脱落螺栓的准确率可达91.5%,漏检率为8.5%,误检率为24.5%。整个检测过程误检率较高、耗时较长,存在一定的不足。由于基于词袋模型的螺栓紧固状态检测方法误检率、漏检率较高,且检测时间有待缩短,因此提出基于深度学习的螺栓紧固状态检测方法。因为螺栓在采集车侧图像中特征不明显、尺寸小、数量多,本文提出采用coarse-to-fine两阶段检测策略,首先利用SSD算法粗定位车侧图像中的轴箱并裁剪出轴箱,增大螺栓在轴箱图像中的占比,其次通过数据增强扩充数据集,最后利用Faster-RCNN算法检测螺栓状态。在Faster-RCNN算法中,为了使算法模型更准确地检测体积更小的螺栓本文进行了如下改进:（1）选择残差网络Res Net50作为特征提取网络,并通过特征融合改进Res Net50;（2）调整锚框的尺寸以更适应小螺栓;（3）借鉴Mask-RCNN中的ROI Align,引入ROI Align单元并结合双线性插值的方法保留浮点数将检测精度进一步提高。实验结果表明,改进后的Faster-RCNN算法对地铁车辆轴箱螺栓状态的检测准确率可达99.56%,漏检和误检较改进前都有下降,检测结果均达到预期。本文分别通过词袋模型和深度学习目标检测算法实现了螺栓紧固状态检测,为螺栓紧固状态的图像检测提供了可行方法,具有良好的应用前景。