近年来,铁路作为国家重要的一种交通工具,为大众出行带来了极大的方便,同时促进了国家的经济发展。而钢轨在火车的运行过程中起到了重要作用。合格的钢轨在其强度、韧性、耐磨性等方面应足够好。由于我国的铁路运输业的大力发展,对钢轨的要求也越来越高,钢轨的伤损及缺陷会严重影响列车的行驶安全。因此,本文利用图像的一些处理方法对钢轨表面缺陷进行检测,设计了检测系统,对钢轨表面缺陷的识别分割及分类进行重点研究,主要工作如下:首先,根据环境要求,设计了一种图像采集缺陷识别系统,并选择了图像采集系统的设备种类等。然后使用图像采集模块处理图像并在计算机上显示。其次,在钢轨图像预处理部分,图像钢轨区域提取采用绘制方向离散图的方式选取。去噪方式采用改进的维纳滤波,其局部均值项根据双峰检测结果按照不同的方式对其进行计算。图像增强方式采用非线性调整的伽马校正,该方法利用非线性函数对各类像素点进行增幅控制从而进行曲率的自适应控制。然后,在钢轨图像分割部分,对萤火虫算法的参变量进行调整,并对初始随机化的萤火虫点进行矩阵变换,经过实验表明,改进后的萤火虫算法在精度和时间上都优于基本萤火虫算法利用改进的萤火虫算法对最大熵图像分割算法进行优化。利用优化后的算法进行钢轨缺陷图像的处理,它可以有效地识别图像的缺陷,适用于实时情况。利用Kirsch算子进行钢轨图像分割,该方法的缺点在于由于是人为设置阈值而边缘点具有一定范围灰度值的浮动,如阈值设置不合理,处在阈值两端的点将会有部分被抹除从而得不到完整的边缘图像,因此,本文对Kirsch算子的阈值部分进行改进,利用线性变换将钢轨灰度图像的灰度转换到适于人眼观察的范围,并采用区间边界跟踪算法进行区域连接,解决了分割边界的断点问题,该方法适用于精度要求高的场合,对于波浪磨耗缺陷有很好的识别作用。最后,对钢轨缺陷利用不同的特征分析方法,提取缺陷的几何特征及灰度特征并利用改进BP神经网络作为其分类器,对缺陷图像进行正确分类。