列车轮对踏面的运行状态直接关系到列车的运行安全和品质,因此对其表面损伤和缺陷的监测是衡量列车运行安全的重要内容。本文针对轮对踏面动态全周缺陷检测的应用需求,对轮对踏面缺陷检测的关键技术进行研究。首先,本文根据踏面检测的实际应用场景和检测需求,设计和构建了轮对踏面缺陷检测系统。提出一种面向轮对动态全周检测的系统结构方式,并对系统结构中的关键参数进行设计和优化。针对多线结构光应用于轮对检测的问题,本文对多光条的数据融合进行应用分析。其次,对线结构光中心提取这一影响检测精度的关键问题进行分析,针对现有方法对复杂陡变形态不敏感的问题,本文根据线结构光图像梯度分布特性,提出了一种基于自适应模板的中心线提取方法,通过构建自适应权重模板和修正模板对光条中心精确定位,使得算法光条的形态变化更为敏感并且减小了散射光造成的影响。对比Steger方法误差减少了30%,其算法耗时为Steger方法的10%。然后,针对踏面形态三维重建的需求,为了解决同时进行平动和滚动物体的三维重建问题,根据本文应用场景下检测数据的空间形态特点,本文将踏面三维重建转化为多帧检测数据的匹配问题,并在现有匹配方法的基础上,对算法进行改进。改进方法与原方法比,经过相同次数的迭代其匹配精度提高了15%以上。通过本文方法与ICP方法进行重建效果比对和统计,证明本文方法在重建效果和鲁棒性方面的优越性。最后,在踏面缺陷检测方面,针对踏面轮廓标准信号难以精准获取的问题,本文根据踏面信号特征设计了稀疏表示的过完备原子库,通过稀疏表示算法根据检测信号重构无缺陷模板信号,使得系统无需预先获得踏面轮廓的模板。针对深度图像缺陷检测问题,本文通过与标准信号匹配对比获取缺陷信号,三维缺陷信号进行二维插值生成二维深度图像,并提出了基于深度图像对缺陷进行定量检测的方法。针对踏面二维图像缺陷检测和分类的问题,通过深度学习网络进行踏面图像的缺陷预检测和分类。经过实验验证,基于深度图像的缺陷定量计算误差在5%以内,所需时间是常规三维方法的5%。本文针对二维图像提取准确度达到85%左右,相比传统卷积神经网络方法提高了12%以上。