近年来,中国铁路运输呈现出列车速度提高、班次密度增大及运量增长的态势,这加剧了钢轨表面的磨损。因此,对钢轨表面伤损进行准确检测和及时维修是非常重要的。以往钢轨表面伤损的检测主要依赖于人工,且许多伤损识别相关的研究仍处于探索试用阶段,难以应用于工程环境中复杂多变的任务。基于上述情况,本文构建了满足工程环境要求的钢轨表面复杂伤损数据集,改进了深度学习目标检测算法,实现了对钢轨表面伤损的准确检测。首先,本文以实际工程环境下采集到的钢轨表面复杂伤损图像为研究对象,将图像中五种常见的钢轨伤损形式（高低接头、光带异常、波浪磨耗、疲劳裂纹和剥离掉块）及其打磨后的形式进行了筛选分类。并使用改进了的深度卷积生成对抗网络扩增了小样本数据（打磨）。在进行了人工标注后,得到了钢轨表面复杂伤损数据集,该数据集有4355张图片和6832处伤损标注。其次,本文搭建了用于钢轨表面伤损识别的三个目标检测模型（YOLO v3、Faster R-CNN、Cascade R-CNN）,描述了训练过程,并以平均精度和平均召回率为评价指标对比了各算法的检测效果。选取了检测效果最佳的Cascade R-CNN为基础算法用于后续改进。最后,针对钢轨表面复杂伤损数据集的特点,将Cascade R-CNN的主干网络改为提取钢轨伤损特征能力更强的Res Next101;使用Guided Anchor算法与K-means聚类算法改进了anchor,以适应钢轨伤损的形态特征;采用了多尺度训练/测试的方法,增强了模型对物体大小的鲁棒性。实验表明,将改进后的Cascade R-CNN算法应用于钢轨表面复杂伤损数据集后,识别的平均精度达到了将近90%,比原始算法提高了13.5%;召回率达到了93.5%,比原始算法提高了10.5%。因此,本研究改进的Cascade R-CNN算法适合应用于实际工程环境中的钢轨表面复杂伤损检测任务。