铁路扣件是将钢轨固定在轨枕上的部件,用于保证列车在铁轨上的安全运行,若出现部分扣件的丢失或断裂,将导致重大事故的发生,故检测扣件状态具有重要意义。传统的铁路扣件检测是采用人工巡检的方式,但由于我国铁路事业的高速发展,人工巡检已不能满足日常的扣件检测工作,基于计算机视觉的扣件检测方式得到了重视。本文基于计算机视觉技术研究扣件检测,主要研究内容如下:（1）针对现有的标签分布构建方法无法直接使用在扣件检测的问题,提出了一种基于弱监督学习的扣件语义多项式构建方法。该方法首先微调卷积神经网络提取卷积特征,然后根据特征尺寸划分子块并将子块特征表示为高斯混合模型,最后通过子块高斯混合模型计算语义多项式作为扣件图像的标签分布。通过扣件分布可视化实验,验证了本文所提方法构建的扣件标签分布的合理性。理论分析和实验表明该方法能够有效表达扣件图像的语义信息,并具有较高的描述准确性。（2）针对常用扣件检测算法适应性弱、误检率高的问题,结合上述扣件标签分布构建方法,提出了一种基于层次语义多项式DS（Dempster Shafer,DS）融合的扣件状态分布学习模型。在分析了不同维度的卷积特征所描述的语义差异基础上,该模型首先参考图像语义模型构建多层语义多项式,然后通过DS证据理论融合多层语义多项式,最后得到扣件状态分布。实验结果表明经过多层语义多项式融合的扣件样本分布比单层语义多项式的描述准确性更强,图像语义信息更加完整,缓和了过拟合现象,误检率为1.9%,漏检率为2.3%。理论分析和实验表明,相比其他扣件检测模型,本文模型有效降低了扣件误检,适应性强。