近年来,随着我国铁路建设的发展,特别是高铁的快速应用到各个城市中,铁路运行管理越来越提倡智能化,要求把现代信息新技术应用到铁路建设中,智能监控系统作为一个直观的、实时的、可回放的监控管理方式,已经应用到部分铁路沿线中,用来保护铁路运行与人身的安全,协助公安部门打击犯罪,维护社会持续发展的重要举措。人工智能深度学习的技术推进了计算机视觉的卓越发展,建立一个基于铁路背景环境的智能监控系统的应用是非常有实用价值的。本文在研究铁路智能监控基础上,结合海南东环线高铁铁路的实际背景环境,结合传统的移动目标检测算法和人工智能的深度学习目标检测算法,研究基于移动目标检测的铁路智能监控的应用,主要完成工作内容如下:(1)根据铁路的实际情况,在铁路栅栏以内禁止除了火车之外的其他移动目标出现,在高铁铁路沿线设立报警防区,对报警防区内的视频部分进行实时的智能监控,包括行人移动和动物移动影响高铁铁路运行安全,铁路值班民警能够及时有效地进行处理。(2)对铁路现场实际环境采集的视频图像进行预处理。由于从现场采集的视频图像中含有大量噪声,主要包括高斯噪声和椒盐噪声,去掉高斯噪声一般用双边滤波器,去掉椒盐噪声一般用中值滤波,本文采取改进的加权双边滤波器同时去掉高斯噪声和椒盐噪声,通过实验结果证明能得到比较好视频监控图像。(3)采用一种改进的视觉背景提取算法(VIBE)和可变形部件模型DPM算法,根据铁路背景环境的实际情况,高铁火车通过监控画面时速度非常快,造成摄像机和画面抖动,高铁火车通过之后留下复影和空洞,采取自适应参数减弱抖动情况,应用直方图匹配来消除复影现象,利用形态学处理消除空洞现象。通过改进的VIBE算法得到疑是存在移动目标的定位区域,在得到目标定位区域上采用DPM算法进行目标检测,通过实验结果表明在简单环境下能得到比较好目标检测效果。(4)设计一种改进的深度学习Faster R-CNN算法,为了更好的满足高铁铁路实际环境下实时性的要求,在深度学习卷积神经网络CNN的基础上对铁路智能监控进行研究,采用深度学习Faster R-CNN算法和传统改进的VIBE算法,设计一种改进的VIBE算法和Faster R-CNN算法的融合,通过改进的VIBE算法定位到疑是存在移动目标区域,然后在得到的该区域进行Faster R-CNN目标特征提取,最后对移动目标进行分类和回归。最后通过大量实验结果表明,在各种比较复杂的铁路实际背景环境下对非法入侵行人和小动物移动目标检测,采用实验对比分析表明该算法可以在高铁铁路复杂背景环境下的移动目标实时有效的检测。