货车运行故障动态检测系统（TFDS）是铁道部大力推广的一套货车安全检测系统。该系统在列检效率和列检质量方面都要明显优于传统的停车静态检测，但现阶段该系统仍处于人机结合的工作模式，离完全机控工作模式的最终目标还有一定距离。本课题旨在利用图像处理技术，结合计算机视觉理论，设计并实现六类故障的自动识别算法，推动TFDS向“机控”工作模式的转变。本文针对各个故障区域讨论相应的处理方法。基于显著特征的理论，将六类故障归纳成三大类：区域显著变化、边界显著变化和结构显著变化。相应地，本文的研究工作包括：对属于区域显著变化的故障——挡键丢失、甩油，着重依据它们各自的区域特征进行了识别算法研究。其中，针对挡键目标的分割，提出了一种受先验知识指导的阈值估计分割算法，解决了OTSU法在光照不均情况下的目标欠分割问题；分别运用基于投影直方图外包络的特征量、基于局部窗口的灰度统计方法有效描述了挡键、甩油故障形态。对属于边界显著变化的故障——紧固螺栓松动、从板弯曲、牵引梁弯曲，着重依据它们各自的边界特征进行了识别算法研究。其中，提出一种基于灰度投影的角点检测方法用于提取从板边界，该方法在图像梯度特征较弱的情况下具有明显优势；针对牵引梁边界线的提取，自定义了一种基于扇形搜索的边界跟踪算法，可有效跟踪曲线同时填补边缘空隙。对属于结构显著变化的故障——钩尾销螺栓丢失，利用其对称性的结构特征，研究了该故障的识别算法。提出了一种基于模板匹配的结构定位方法，可快速提取感兴趣区域。本文一一阐述了六种故障的识别算法，并通过批量图片测试证明了算法的有效性和实时性，误检率和漏检率均能达到货车故障自动识别的预期目标。