随着我国国民经济的飞速发展,城市化进程不断加快,城市基础设施尤其是交通设施与经济发展的矛盾日益凸显。为了保证交通出行,确保列车可靠安全运行,推动城轨列车从人工故障检测到数字化智能检测的转变势在必行。本文在充分借鉴国内外受电弓在线检测的先进经验基础上,结合图像处理以及人工智能等相关技术,以提高城轨列车受电弓故障检测效率为目标,设计了一种基于改进Faster RCNN和Unet++的在线检测系统,提高了城轨列车故障检测的精度和准确度,也大大的提高了智能化水平。本文的主要工作内容如下:（1）设计了受电弓在线检测系统的总体结构。针对检测任务的多目标性、检测环境的复杂性以及检测结果的准确性等要求,本文对检测系统进行分模块化设计,硬件部分主要分为:触发控制模块、图像采集模块、辅助照明模块以及图像处理模块;软件部分主要分为:现场控制系统软件和终端处理软件。（2）改进了受电弓组件状态和中心线偏移检测算法。首先,针对受电弓图像过曝和过暗问题,采用带色彩恢复的多尺度视网膜（MSRCR,Multi-Scale Retinex with Color Rsetoration）图像增强算法进行预处理。其次,采用多层特征融合策略对Faster RCNN算法进行改进以提高羊角和螺栓的检测准确率,并在Faster RCNN算法中引入旋转矩形框实现羊角倾斜计算。接着,结合接触网边界位置信息和羊角定位信息进行中心线偏移量计算。最后,通过实验对检测算法的性能进行评估。相比于改进前,该算法在平均精度均值（mean Average Precision,m AP）和F1值上均提高了4个百分点以上,且羊角检测的准确率达到97.9%,螺栓检测准确率达到94.4%,羊角倾斜角度的相对误差在3%以内,中心线偏移检测的相对误差在5%以内,满足实际场景的检测需求。（3）设计了受电弓磨耗检测算法。首先,分析Unet算法在实际检测场景中存在的问题。其次,采用多级Unet融合策略构建Unet++算法获取碳滑板掩膜图像并提取磨耗曲线。接着,根据磨耗曲线特征设计磨耗计算方法。最后,通过实验对磨耗检测算法的性能进行评估。相比于Unet算法,Unet++在交并比（Intersection Over Union,IOU）值与Dice值上均有提高,且碳滑板的平均磨耗相对误差与最大磨耗相对误差均在5%以内,满足实际场景的检测需求。