由于运输组织新秩序的建立和货车高速重载新要求的提出,使得货车的列检保证区域延长、列检作业时间缩短,这对列检效率和质量提出了更高的要求。以人控模式为主的传统列检方式已经无法满足要求,取而代之的是人机结合模式的TFDS(Running Trouble of Freight Car Detection System,铁路货车运行故障动态图像检测系统)列检方式。近年来,随着机器视觉、图像处理和模式识别等技术的不断成熟,为实现TFDS系统向完全机控模式转变奠定了理论基础。本文在深入分析了TFDS系统的组成和功能之后,选取机器视觉故障自动识别子系统下属的图像自动识别专用计算机作为研究对象,实现图像预处理、图像特征提取和故障判断等功能。论文的主要研究内容如下:(1)在图像预处理阶段,考虑天气条件、环境状况以及采集传输设备对获取图像的影响,本文分别提出了椒盐噪声滤波算法用于噪声消除、改进的Retinex算法用于光照补偿、基于雾天图像退化模型的图像去雾算法用于图像去雾,并从主观视觉效果和客观评价标准两个方面对上述各算法的性能做出了分析和比较。(2)在图像特征提取阶段,分析转向架挡键丢失、锁紧板紧固螺栓松动和转向架交叉杆弯曲等故障的图像特征,将其分别归纳为三类:区域显著变化、边界显著变化和结构显著变化。并采用图像分割中的最大类间方差法和区域生长法、边缘检测中的Canny检测算子和Hough变换等图像处理技术来提取各故障的图像特征。(3)在故障判断阶段,针对转向架挡键丢失、锁紧板紧固螺栓松动和转向架交叉杆弯曲等故障,根据提取的图像特征,分别设计了基于区域特征的故障识别算法、基于边界特征的故障识别算法和基于结构特征的故障识别算法用于上述故障的判断。