轮对作为铁路轨道的关键组成部分,其运行状态直接关系到火车运行安全,铁路部门对于轮对都有着严格的检修标准。我国目前对于轮对踏面的检测仍以人工检测为主,工作量大且检测效率较低。为了适应铁路的智能化发展,需要对轮对踏面分割进行进一步研究。得益于硬件的飞速发展,计算能力的提升以及深度学习算法的不断发展,使得基于深度学习算法的图像分割在性能与效果上较于传统算法有了质的飞跃。本文设计了基于深度学习的火车轮对踏面图像分割算法。本文首先介绍了国内外对于轮对踏面检测方法的研究,并阐述了深度学习的发展以及优势,对轮轨相关基础理论、图像处理相关基础理论以及深度学习相关基础理论进行了分析,为后续章节研究工作的展开打下了基础。之后,为了突出图像中的目标区域使用MSRCR算法对采集到的原始图像进行图像增强,并使得待检测区域轮廓更明显,然后使用Canny边缘检测提取出边缘信息,提出了一种采用弧选择和梯度信息重复利用的改进椭圆检测算法用于将轮对区域进行前期分割处理,使得踏面区域占据图像的主要部分,然后搭建了一个基于Qt的轮对踏面区域的标注程序对分割后的图像进行标注,为后续的轮对踏面图像分割做准备。针对轮对踏面图像的分割,对U-Net算法进行了改进。在进行轮对踏面分割时针对数据量不足的问题采用了数据增广扩大数据量,使用公开数据集对模型进行预训练并使用迁移学习、在反卷积层中引入L2正则化等方法来防止模型的过拟合。引入CRF来提高踏面分割的精度以及更加准确的特征定位。最后通过与传统的分水岭算法进行对比分析,在踏面分割数据集进行了分割的实验验证,基于深度学习的分割算法在精确率方面可以达到93.49%。实验的结果证明了算法对于轮对踏面具有良好的分割效果。